臨床試験のデータベースを,人工知能のアプリケーションに適応した構造化されたデータベースに変換する
Thibault Sauron1, Carole Lazarus2, Camille Kurtz1
1LIPADE, Université Paris Cité, Paris, France.
Insights into imaging
|February 15, 2026
まとめ
私たちは,臨床試験のMRIデータを人工知能モデルのトレーニングに適応させるためのキュレーション方法論を開発しました. このフレームワークは,AIイメージングツールの開発のための高品質の健康データの二次使用を強化します.
科学分野:
- メディカルイマージング (医学イメージング)
- 人工知能 (AI) とは,人工知能 (AI) のことです.
- クリニック・トライアル 臨床試験
背景:
- 人工知能を訓練するための医療画像データベースは稀です.
- 臨床試験のデータベースは,高品質の注釈データを提供していますが,AIに備わっていません.
- 医療のためのAIツールの開発には,適切なデータセットが必要です.
研究 の 目的:
- AIのトレーニングとテストのための臨床試験データベースのキュレーションのための方法論とツールを開発する.
- 既存の臨床試験データをAI開発における二次使用に適応させる.
- アノテートされた医療画像データの効率的な利用のための枠組みを作成する.
主な方法:
- EURAD臨床試験からのMRIを用いた.
- 含める/除外する基準を定義し,節約の原則を適用した.
- 自動および手動のチェック,調和されたDICOMフィールドとシーケンスの名前による品質管理を実施.
主要な成果:
- 713人の患者のデータベースをキュレーションしました.
- ディレクトリ構造の複雑さを44%,ファイル数を95%削減しました.
- AI アプリケーションのための 62 つの不可欠な DICOM フィールドと調和したシーケンスの名前を特定しました.
結論:
- 臨床試験データからAI対応のデータベースを構築するための方法論が確立されました.
- AIにおける二次的健康データ利用のための体系的な枠組みの必要性を強調する.
- AIモデル開発のためのオープンソースのツールと方法論の共有.
