国立がん研究所のイメージングデータコモンズにおける11のがんイメージングコレクションに対して、nnU-Netモデルを使用してAIアノテーションを生成し、一部の結果を放射線科医が確認・修正した。これにより、がんイメージング研究とアルゴリズム開発を支援する包括的で正確なアノテーションデータセットが提供された。
多モーダル深層学習モデルを用いることで、分子検査単独に比べて偽陽性を減らしつつ高い感度を維持できる。これにより、不確定な甲状腺結節を持つ患者の不要な外科手術を削減できる可能性がある。
小児高度近視の進行に伴い、網膜血管の幾何学的パラメータ、特に血管角度に顕著な変化が見られる。
医療用基盤モデルを複数の軽量な専門家モデルに分解することで、特定の医療タスクに対する性能を向上させつつ、リソース消費を削減する。
H&E染色された乳がん生検画像を用いて、Deep Learningアルゴリズムを活用することで、HER2陽性と陰性の乳がんを正確に分類できる。さらに、IHC検査で判定が曖昧な2+スコアの症例においても、FISH検査の結果を予測することが可能である。
医療画像解析におけるマシンラーニングモデルの信頼性、受け入れ性、規制順守を高めるため、開発時および運用時の信頼性確保手法を概説する。特に、バイアスの符号化と疾患分類モデルのデータドリフト検出に焦点を当てる。また、グラウンドトゥルースラベルが利用できない場合のモデル精度推定手法も概説する。
医療画像の異常検知において、アンサンブル学習者の不確実性を活用することで、正常サンプルに対する一致と異常サンプルに対する不一致のバランスを効果的に取ることができる。
本研究は、医療画像分類タスクにおいて、潜在変数誘導型拡散モデルと入れ子型アンサンブルを組み合わせることで、従来手法よりも高い予測精度と確信度を実現する。
MRIラジオミクスを用いて、グリオブラストーマのIDH遺伝子型を非侵襲的に予測することができる。
VascXは、眼底画像からの網膜血管、動静脈、視神経乳頭、黄斑の高精度な自動セグメンテーションと特徴抽出を可能にする包括的なモデルアンサンブルである。