論文の概要: Multi-Site Real-World Performance of Commercial AI for Pulmonary and Incidental Pulmonary Embolism Detection

• arxiv url: http://arxiv.org/abs/2609.37750v1
• Date: Tue, 29 Sep 2026 15:00:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:47.65788
• Title: Multi-Site Real-World Performance of Commercial AI for Pulmonary and Incidental Pulmonary Embolism Detection
• Title（参考訳）: 肺・偶発性肺塞栓症検出のための商用AIのマルチサイトリアルタイム性能
• Abstract要約: 肺塞栓症検出のための2つのFDAクリアAIアルゴリズムを振り返って評価した。 PEモデルは86.8%の感度と99.1%の特異性を示し、サドル塞栓の感度は99.3%から72.9%に低下し、非急性PEの89.7%から65.3%に低下した。 両モデルとも、FDAクリアランスベンチマークよりも感度が低く、明快な特異性を超え、末梢および非急性塞栓症のパフォーマンスが低下した。
• 参考スコア（独自算出の注目度）: 3.3077128612088256
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Pulmonary embolism (PE) is a leading cause of cardiovascular mortality, yet the real-world performance of FDA-cleared AI detection models remains incompletely characterized. We retrospectively evaluated two FDA-cleared AI algorithms from a single commercial platform (Aidoc Medical BriefCase), one for PE triage on dedicated CT pulmonary angiography (CTPA; n = 30,678) and one for incidental PE (iPE) detection on routine contrast-enhanced CTs (n = 37,191), across a 17-facility academic health system. Reference-standard labels were extracted from radiology reports using a validated LLM pipeline (97% accuracy, kappa = 0.94). The PE model achieved 86.8% sensitivity and 99.1% specificity, with sensitivity declining from 99.3% for saddle emboli to 72.9% for subsegmental PE, and from 89.7% for acute to 65.3% for non-acute PE. The iPE model achieved 73.5% sensitivity and 99.8% specificity. Both models demonstrated lower sensitivity than FDA-clearance benchmarks while exceeding cleared specificity, with diminishing performance for peripheral and non-acute emboli mirroring known human reader limitations and underscoring the need for standardized post-market surveillance of AI-enabled medical devices.
• Abstract（参考訳）: 肺塞栓症(PE)は心臓血管死の主要な原因であるが、FDAによるAI検出モデルの実際の性能はいまだに不完全である。 1つの商用プラットフォーム(Aidoc Medical BriefCase)、1つはCTPA(CTPA; n = 30678)のPEトリアージ、もう1つは日常的な造影CT(n = 37,191)のPE(iPE)検出用である。 LLMパイプライン (97%, kappa = 0.94) を用いた放射線診断報告から基準ラベルを抽出した。 PEモデルは86.8%の感度と99.1%の特異性を示し、サドル塞栓の感度は99.3%から72.9%に低下し、非急性PEの89.7%から65.3%に低下した。 iPEモデルは73.5%の感度と99.8%の特異性を達成した。 どちらのモデルもFDAのクリアランスベンチマークよりも感度が低く、明快な特異性を超えており、周辺および非正確な塞栓術のパフォーマンスが低下し、人間のリーダーの制限が知られるようになり、AI対応医療機器の標準化後監視の必要性が強調された。

関連論文リスト

• A Pathology Foundation Model for Gastric Cancer with Real-World Validation [47.19073124722865]
  本稿では,実世界評価と臨床dEcision支援のための,胃科固有の基礎モデルであるGRACEについて述べる。 GRACEは, 症例37,493例のHE-stained whole-slide画像を中心に, 48,364例の多施設で開発された。 高齢の病理医に非劣性パフォーマンスを維持するように調整された場合、AI支援のワークフローは萎縮の60.7%、腸転移の82.7%をトリアージする可能性がある。
  論文  参考訳（メタデータ） (2026-06-03T12:18:06Z)
• Early and Prediagnostic Detection of Pancreatic Cancer from Computed Tomography [46.596419554048225]
  膵管腺癌 (PDAC) は遅発性, 手術不能な症例が多い。 ePAI(早期膵癌検出と人工知能)という自動システムを開発した。 ePAIは159例中75例においてPDACの検出と局所化に成功し, 平均リード時間は347日であった。
  論文  参考訳（メタデータ） (2026-01-29T18:55:23Z)
• Dark-Field X-Ray Imaging Significantly Improves Deep-Learning based Detection of Synthetic Early-Stage Lung Tumors in Preclinical Models [0.0]
  低用量CT(LDCT)が肺がん検診の基準となっている。 多くの地域でLDCTのインフラが欠如しており、早期がん検出はしばしば偽陽性である。 本研究の目的は,X線暗視野撮影(DFI)が早期肺腫瘍の検出を著しく改善するかどうかを検討することである。
  論文  参考訳（メタデータ） (2025-10-31T17:47:40Z)
• AI-Powered Early Detection of Critical Diseases using Image Processing and Audio Analysis [0.4356470230135012]
  本稿では,画像解析,サーマルイメージング,音声信号処理を統合したマルチモーダル人工知能(AI)診断フレームワークを提案する。 微細調整されたMobileNetV2畳み込みニューラルネットワークは、皮膚病変分類のためのISIC 2019データセットでトレーニングされた。 ハンドクラフト機能を備えたサポートベクターマシン(SVM)は、86.4%の精度でサーマルクロート検出に使用された。 このフレームワークは、スケーラブルでリアルタイムで、アクセス可能なAIベースの事前診断型ヘルスケアソリューションへの、有望なステップを提供する。
  論文  参考訳（メタデータ） (2025-10-29T06:09:17Z)
• A Novel Attention-Augmented Wavelet YOLO System for Real-time Brain Vessel Segmentation on Transcranial Color-coded Doppler [49.03919553747297]
  我々は,脳動脈を効率よく捉えることができるAIを利用したリアルタイムCoW自動分割システムを提案する。 Transcranial Color-coded Doppler (TCCD) を用いたAIによる脳血管セグメンテーションの事前研究は行われていない。 提案したAAW-YOLOは, 異方性および対側性CoW容器のセグメンテーションにおいて高い性能を示した。
  論文  参考訳（メタデータ） (2025-08-19T14:41:22Z)
• Integrating Large Language Models with Human Expertise for Disease Detection in Electronic Health Records [6.395493502337635]
  本研究は, EHR臨床ノートから複数の条件を同定するための, 先進的な大規模言語モデルに基づく効率的な戦略を考案した。 EHRノートの分析,理解,解釈にLLM(Generative Large Language Model)を利用したパイプラインを開発した。
  論文  参考訳（メタデータ） (2025-03-31T04:19:18Z)
• Cancer-Net PCa-Seg: Benchmarking Deep Learning Models for Prostate Cancer Segmentation Using Synthetic Correlated Diffusion Imaging [65.83291923029985]
  前立腺癌(PCa)は米国で最も多いがんであり、約30,000人、全診断の29%、2024年に35,000人が死亡した。 前立腺特異的抗原 (PSA) 検査やMRI (MRI) などの従来のスクリーニング法は診断において重要であるが、特異性や一般化性には限界がある。 U-Net, SegResNet, Swin UNETR, Attention U-Net, LightM-UNetといった最先端のディープラーニングモデルを用いて200ドルのCDIから前立腺を抽出する。
  論文  参考訳（メタデータ） (2025-01-15T22:23:41Z)
• MIMIC-IV-Ext-PE: Using a large language model to predict pulmonary embolism phenotype in the MIMIC-IV dataset [0.0]
  肺塞栓症は院内死亡予防の主因である。 研究用のPEラベルを含む大規模な公開データセットは少ない。 我々はCTPAスキャンで得られた全放射線診断報告を抽出し、2名の医師が手動でPE陽性(急性PE)またはPE陰性(PE陰性)と診断した。 我々は、ラベルを自動的に抽出するために、以前に微調整されたBio_ClinicalBERT変換言語モデル、VTE-BERTを適用した。
  論文  参考訳（メタデータ） (2024-10-29T19:28:44Z)
• Enhancing Diagnostic Reliability of Foundation Model with Uncertainty Estimation in OCT Images [41.002573031087856]
  光コヒーレンストモグラフィー(OCT)における11個の網膜状態を検出するために,不確実性推定(FMUE)を用いた基礎モデルを開発した。 FMUEは2つの最先端アルゴリズムであるRETFoundとUIOSよりも96.76%高いF1スコアを獲得し、しきい値戦略を98.44%に改善した。 我々のモデルは、F1スコアが高い2人の眼科医(95.17%対61.93% &71.72%)より優れている。
  論文  参考訳（メタデータ） (2024-06-18T03:04:52Z)
• A 1D-CNN Based Deep Learning Technique for Sleep Apnea Detection in IoT Sensors [3.2116198597240846]
  本稿では,ウェアラブルデバイスから取得した心電図(ECG)信号から呼吸時無呼吸検出のための新しい手法を提案する。 この新しさは、秒単位の高分解能の無呼吸検出に起因している。 このモデルはいくつかの低分解能アパネ検出法より優れる。
  論文  参考訳（メタデータ） (2021-05-02T18:35:57Z)
• Identification of Ischemic Heart Disease by using machine learning technique based on parameters measuring Heart Rate Variability [50.591267188664666]
  本研究は,243名の非侵襲的特徴(年齢,性別,左室容積率,HRV15)を用いて,一連のANNの訓練と評価を行った。 最高の結果は、7つの入力パラメータと7つの隠れノードを使用して、トレーニングと検証データセットに対して98.9%と82%の精度で得られた。
  論文  参考訳（メタデータ） (2020-10-29T19:14:41Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。