深層学習と腎臓科医-AI集団知能アプローチを用いた糸球体病理所見の分類【JST・京大機械翻訳】

Uchino, E.; Suzuki, K.; Sato, N.; Kojima, R.; Tamada, Y.; Hiragi, S.; Yokoi, H.; Yugami, N.; Minamiguchi, S.; Haga, H.; Yanagita, M.; Okuno, Y.

プレプリント

J-GLOBAL ID：202202213155864077 整理番号：22P0260116

深層学習と腎臓科医-AI集団知能アプローチを用いた糸球体病理所見の分類【JST・京大機械翻訳】

Classification of glomerular pathological findings using deep learning and nephrologist-AI collective intelligence approach

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 (12件)： , , , , , , , , , , ,
資料名：
発行年： 2020年01月02日プレプリントサーバーでの情報更新日： 2020年01月02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。

【背景】糸球体病理学的所見の自動化された分類は,腎臓病理学における効率的で客観的な診断を確立する際に潜在的に有益である。以前の研究は,全体的硬化症と糸球体細胞増殖の分類のための人工知能(AI)モデルを検証したが,診断に必要ないくつかの他の糸球体病理所見があり,これらの主要な所見の分類のための包括的モデルは,まだ報告されていない。これらのAIモデルと臨床医の間の協力が診断性能を改善するかどうかは,不明のままである。ここでは,病理診断に必要な主要な所見に対する糸球体画像を分類するAIモデルを開発し,それらのモデルが腎専門医の診断能を改善するかどうかを検討した。方法:著者らは,合計25人の腎臓学者によって注釈された15888の糸球体画像から成る283の腎臓生検症例のデータセットを使用した。7つの病理学的所見を分類するAIモデル:全体的硬化症,分節性硬化症,内毛細血管増殖,メサンギウムマトリックス蓄積,メサンギウム細胞増殖,半月板,および基底膜構造変化を,IncevoV3畳み込みニューラルネットワークの微調整による深層学習を用いて構築した。その後,著者らは,投票者としてAIモデルの有無にかかわらず,腎臓学者の間の大多数決定の間の真実ラベルとの一致を比較した。【結果】グローバル硬化症のための著者らのモデルは,高いパフォーマンス(曲線下面積:周期的酸-Schiff,0.986;周期的酸メナミン銀,0.983)を示し,他の知見のためのモデルは,腎臓学者のそれらに近い性能を示した。AIモデル出力を腎臓学者の大多数決定に加えることにより,感度と特異性は,腎学者のみのそれらと比較して14の構築したモデルのうち9つで有意に改善した。結論:本研究は,深部学習の包括的な方法における多発性糸球体所見の分類のための概念実証を示し,臨床医の診断精度の改善における潜在的有効性を示唆した。【JST・京大機械翻訳】

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

泌尿生殖器の疾患 , 泌尿生殖器の診断

, , , , , , ,

前のページに戻る