深部神経フレームワークは色素性皮膚病変の分類における一般開業医の精度を改善する【JST・京大機械翻訳】

Lucius, M.; De All, J.; De All, J. A.; Belvisi, M.; Radizza, L.; Lanfranconi, M.; Lorenzatti, V.; Galmarini, C. M.

プレプリント

J-GLOBAL ID：202202209138165133 整理番号：22P0263583

深部神経フレームワークは色素性皮膚病変の分類における一般開業医の精度を改善する【JST・京大機械翻訳】

Deep neural frameworks improve the accuracy of general practitioners in the classification of pigmented skin lesions

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 (8件)： , , , , , , ,
資料名：
発行年： 2020年05月08日プレプリントサーバーでの情報更新日： 2020年05月08日
JST資料番号： O7002B 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)

※このプレプリント論文は学術誌に掲載済みです。なお、学術誌掲載の際には一部内容が変更されている可能性があります。

人工知能は,特に,高解像度光学装置へのアクセスを限定または非アクセスする一般実務者により行われる場合,皮膚科状態の診断を支援するための重要なツールである。本研究は,7つの色素皮膚病変の分類における深部畳込みニューラルネットワーク(DNN)の性能を評価する。さらに,一般実務者によって利用される場合,分類性能の改善率を評価する。オープンソース皮膚画像はISICアーカイブからダウンロードした。異なるDNN(n=8)を,8,015画像からなるランダムデータセットに基づいて訓練した。2,003画像の試験セットを用いて,低(300x224RGB)と高(600x450RGB)画像分解能と凝集臨床データ(年齢,性,および病変局所化)における分類器性能を評価した。また,2つの異なるコンテストを組織化し,非支援画像観察によって,DNNの性能を一般実務者と比較した。低および高画像解像度の両方で,DNNフレームワークは,かなりの性能で,分化した皮膚科画像を訓練した。すべての場合において,フレームワークに臨床データを加えるとき,精度は改善された。最後に,最も低い正確なDNNは,一般実務者を凌駕した。医師の正確性は,誘導としてこのアルゴリズムフレームワークの出力を使用できるように,統計的に改善された。DNNSは皮膚病変分類器として高性能であることが証明されている。目的は,一般実務者との関連でこれらのAIツールを含むことであり,一方,高解像度装置の使用がアクセスできない場合,日常の臨床シナリオにおける診断精度を改善することである。【JST・京大機械翻訳】

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

医用画像処理 , 人工知能

, , , , , ,

前のページに戻る