GViTとスウィントランスフォーマーV2を用いた胸部疾患の正確な検出のための二重モデルアプローチ
Kamal Ahmad1, Hafeez Ur Rehman1,2, Babar Shah3
1Department of Computer Science, National University of Computing and Emerging Sciences, Hayatabad, Peshawar, 24720, Pakistan.
Scientific reports
|August 28, 2025
まとめ
この研究は,X線で胸部疾患を検出するための二重AIモデルを導入します. ゲートビジョン・トランスフォーマー (GViT) とスウィン・トランスフォーマーV2は,COVID-19や肺がんなどの疾患を分類・局所化するのに高い精度を達成しています.
科学分野:
- 医療用イメージング
- 人工知能
- 放射線科
背景:
- 放射線画像における異常の正確な検出と局所化は,診断と治療計画において極めて重要です.
- 放射線科医は,X線画像の視覚パターンが重なり合っているため,胸部疾患を特定し,分割する上で課題に直面しています.
- 大規模で注釈されたデータセットは,信頼性の高い診断モデルを開発するために不可欠です.
研究 の 目的:
- 胸部疾患のX線画像の正確な分類と局所化のためのダブルモデル人工知能 (AI) アプローチを提案する.
- トランスフォーマーベースのアーキテクチャを活用して 医療画像の分析を強化します
- 放射線科医が,特にリソースが限られている環境で,作業量を減らし,診断の精度を向上させることを支援する.
主な方法:
- 病気の分類のためのゲートビジョントランスフォーマー (GViT) と,セグメンテーションとローカライゼーションのためのスウィントランスフォーマーV2を用いた二重モデルアプローチが開発されました.
- GViTは,似たようなX線写真の特徴を持つ胸部疾患を特定するために使用されました.
- スウィン・トランスフォーマーV2は肺の領域をマッピングし,画像内の影響を受けた領域を特定するために使用されました.
主要な成果:
- 精度,リコール,F1スコアを含む分類指標は0.95を超えました.
- このセグメンテーションモデルは,Union (IOU) 全体の90.98%の高いスコアを達成しました.
- ダイス係数,境界F1スコア,ハウズドルフ距離を用いた性能評価はシステムの有効性を確認した.
結論:
- トランスフォーマーベースのアーキテクチャは,医療画像処理の進歩に大きな希望を示しています.
- 提案されたAIソリューションは,放射線科医の診断精度を向上させ,メンタルワークロードを減らすのに役立ちます.
- 将来のAIツールは,臨床的意思決定を支援するために,胸部疾患の包括的かつ正確な検出に焦点を当てるべきです.
