機械学習は大規模多施設コホートにおける胸部CTを用いたCOVID-19を自動検出する【JST・京大機械翻訳】

Barbosa Eduardo Jose Mortani Jr.; Georgescu Bogdan; Chaganti Shikha; Aleman Gorka Bastarrika; Cabrero Jordi Broncano; Chabin Guillaume; Flohr Thomas; Grenier Philippe; Grbic Sasa; Gupta Nakul; Mellot Francois; Nicolaou Savvas; Re Thomas; Sanelli Pina; Sauter Alexander W.; Yoo Youngjin; Ziebandt Valentin; Comaniciu Dorin

プレプリント

J-GLOBAL ID：202202202171104420 整理番号：22P0156904

機械学習は大規模多施設コホートにおける胸部CTを用いたCOVID-19を自動検出する【JST・京大機械翻訳】

Machine Learning Automatically Detects COVID-19 using Chest CTs in a Large Multicenter Cohort

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (18件)： , , , , , , , , , , , , , , , , ,
資料名：
発行年： 2020年06月08日プレプリントサーバーでの情報更新日： 2020年10月09日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

目的:COVID-19の検出のための胸部CTと,他の肺炎,ILDと正常CTからの分化を用いて,機械学習分類器と解釈可能なモデルを調査すること。方法:著者らの後向き多施設研究は,16施設(COVID-19患者1077例を含む)から2096例の胸部CTを得た。訓練/試験コホートは,927/100のCOVID-19,388/33のILD,189/33の他の肺炎,および559/34の正常(病理学なし)CTを含んだ。COVID-19の分類のための計量ベースのアプローチは,ロジスティック回帰とランダムフォレストに依存する解釈可能な特徴を使用した。深い学習ベースの分類器は,CT減衰から直接抽出した3D特徴を介して,COVID-19を区別し,そして,空気空間混濁の確率分布を抽出した。【結果】COVID-19のほとんどの識別的特徴は,文献におけるCOVID-19の典型的キャラクタリゼーションと一致する,空域不透明度および周辺および基底優性混濁のパーセンテージであった。教師なし階層的クラスタリングは,COVID-19と制御コホート間の特徴分布を比較する。メトリックベース分類器は,DLベース分類器に対して,AUC=0.83,感度=0.74,および特異性=0.79,それぞれ0.93,0.90,および0.83を達成した。大部分の多義性は,COVID-19と重複する症状を伴う非COVID-19肺炎と,軽度COVID-19症例から来る。非COVID-19分類性能は,ILDで91%,他の肺炎で64%,病理のない94%であり,対照群の異なる組成に対する著者らの方法のロバスト性を示した。結論:著者らの新しい方法は,胸部CTに由来する定量的画像特徴を用いて,他の型の肺炎,ILD,および病理CTsからCOVID-19を正確に識別し,一方,結果および分類性能の可読性を説明し,従って,COVID-19の診断を容易にするのに有用である可能性がある。【JST・京大機械翻訳】

, , , , , , , , , , , ,
, , , 【Automatic Indexing@JST】

腫ようの診断

, , , , ,

前のページに戻る