論文の概要: Scalable Evaluation Framework for Foundation Models in Musculoskeletal MRI Bridging Computational Innovation with Clinical Utility

• arxiv url: http://arxiv.org/abs/2501.13376v1
• Date: Thu, 23 Jan 2025 04:41:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-24 15:57:26.095061
• Title: Scalable Evaluation Framework for Foundation Models in Musculoskeletal MRI Bridging Computational Innovation with Clinical Utility
• Title（参考訳）: 臨床応用による筋骨格MRIブリッジ法の基礎モデルのためのスケーラブルな評価枠組み
• Authors: Gabrielle Hoyer, Michelle W Tong, Rupsa Bhattacharjee, Valentina Pedoia, Sharmila Majumdar,
• Abstract要約: 本研究は,SAM,MedSAM,SAM2の臨床的影響と翻訳性を評価するための評価枠組みを提案する。 これらのモデルをゼロショットおよび微調整のパラダイムでテストし、多様な解剖学的構造を処理し、臨床的に信頼性の高いバイオマーカーを有効活用する能力を評価した。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Foundation models hold transformative potential for medical imaging, but their clinical utility requires rigorous evaluation to address their strengths and limitations. This study introduces an evaluation framework for assessing the clinical impact and translatability of SAM, MedSAM, and SAM2, using musculoskeletal MRI as a case study. We tested these models across zero-shot and finetuned paradigms to assess their ability to process diverse anatomical structures and effectuate clinically reliable biomarkers, including cartilage thickness, muscle volume, and disc height. We engineered a modular pipeline emphasizing scalability, clinical relevance, and workflow integration, reducing manual effort and aligning validation with end-user expectations. Hierarchical modeling revealed how dataset mixing, anatomical complexity, and MRI acquisition parameters influence performance, providing insights into the role of imaging refinements in improving segmentation accuracy. This work demonstrates how clinically focused evaluations can connect computational advancements with tangible applications, creating a pathway for foundation models to address medical challenges. By emphasizing interdisciplinary collaboration and aligning technical innovation with clinical priorities, our framework provides a roadmap for advancing machine learning technologies into scalable and impactful biomedical solutions.
• Abstract（参考訳）: 基礎モデルは、医療画像の変換可能性を持っているが、その臨床的有用性は、その強度と限界に対処するために厳密な評価を必要とする。 本研究は,筋骨格MRIを用いてSAM,MedSAM,SAM2の臨床的影響と翻訳性を評価するための枠組みを提案する。 これらのモデルをゼロショットおよび微調整のパラダイムでテストし、様々な解剖学的構造を処理し、軟骨厚、筋肉容積、ディスク高さなどの臨床的に信頼性の高いバイオマーカーを効果的に活用する能力を評価した。 スケーラビリティ、臨床的妥当性、ワークフローの統合を重視し、手作業の労力を削減し、検証をエンドユーザの期待に合わせることを重視するモジュールパイプラインを設計しました。 階層的モデリングは、データセットの混合、解剖学的複雑性、MRI取得パラメータがパフォーマンスにどのように影響するかを明らかにし、セグメンテーションの精度を向上させる上での画像改善の役割についての洞察を提供した。 この研究は、臨床的に焦点を絞った評価が、計算の進歩と具体的な応用をどう結びつけるかを示し、基礎モデルが医学的課題に対処するための経路を創出する。 学際的なコラボレーションを強調し、技術的イノベーションを臨床上の優先事項と整合させることで、私たちのフレームワークは、機械学習技術をスケーラブルで影響力のあるバイオメディカルソリューションへと進化させるロードマップを提供します。

関連論文リスト

• Foundations of a Knee Joint Digital Twin from qMRI Biomarkers for Osteoarthritis and Knee Replacement [9.087211431970013]
  本研究は, 高度な定量的MRIと機械学習を用いて, 膝関節のデジタルツインシステムの基礎を成す。 変形性膝関節症(OA)の発生率と膝関節置換(KR)の有意な関連がみられた軟骨厚および内側半月状の変化を含む,特定のバイオマーカーを同定した。
  論文  参考訳（メタデータ） (2025-01-26T04:36:08Z)
• Modality-Projection Universal Model for Comprehensive Full-Body Medical Imaging Segmentation [11.395596488197098]
  本研究では,MPUM(Modality Projection Universal Model)を導入し,評価する。 MPUMは新たなモダリティ投影戦略を採用しており、パラメータを動的に調整し、異なる画像モードで性能を最適化することができる。 MPUMのユニークなコントローラベースの畳み込みレイヤは、すべてのネットワーク層にわたる唾液マップの可視化を可能にし、モデルの解釈可能性を大幅に向上させる。
  論文  参考訳（メタデータ） (2024-12-26T02:23:27Z)
• Advancing clinical trial outcomes using deep learning and predictive modelling: bridging precision medicine and patient-centered care [0.0]
  深層学習と予測モデリングは、臨床試験設計、患者採用、リアルタイムモニタリングを最適化するための変換ツールとして登場した。 本研究では、畳み込みニューラルネットワーク(CNN)やトランスフォーマーモデルなどの深層学習技術の患者層化への応用について検討する。 生存分析や時系列予測を含む予測モデリング手法は、試行結果の予測、効率の向上、試行失敗率の低減に用いられている。
  論文  参考訳（メタデータ） (2024-12-09T23:20:08Z)
• Clinical Evaluation of Medical Image Synthesis: A Case Study in Wireless Capsule Endoscopy [63.39037092484374]
  本研究は,人工知能(AI)モデルを用いた医用合成データ生成の臨床評価に焦点を当てた。 本論文は,a) 医用専門家による合成画像の体系的評価のためのプロトコルを提示し,b) 高分解能WCE画像合成のための新しい変分オートエンコーダモデルであるTIDE-IIを評価する。 その結果、TIDE-IIは臨床的に関連性のあるWCE画像を生成し、データの不足に対処し、診断ツールの強化に役立つことがわかった。
  論文  参考訳（メタデータ） (2024-10-31T19:48:50Z)
• Towards a clinically accessible radiology foundation model: open-access and lightweight, with automated evaluation [113.5002649181103]
  オープンソースの小型マルチモーダルモデル(SMM)を訓練し、放射線学における未測定臨床ニーズに対する能力ギャップを埋める。 トレーニングのために,697万以上の画像テキストペアからなる大規模なデータセットを組み立てる。 評価のために,GPT-4に基づく実測値CheXpromptを提案する。 LlaVA-Radの推論は高速で、単一のV100 GPU上でプライベート設定で実行できる。
  論文  参考訳（メタデータ） (2024-03-12T18:12:02Z)
• Physics-informed Neural Network Estimation of Material Properties in Soft Tissue Nonlinear Biomechanical Models [2.8763745263714005]
  物理インフォームドニューラルネットワーク(PINN)と3次元軟組織非線形生体力学モデルを組み合わせた新しいアプローチを提案する。 提案した学習アルゴリズムは、限られた量の変位から情報を符号化し、場合によっては、臨床環境で日常的に取得できる歪みデータを符号化する。 提案手法の精度とロバスト性を示すために,いくつかのベンチマークを行った。
  論文  参考訳（メタデータ） (2023-12-15T13:41:20Z)
• TREEMENT: Interpretable Patient-Trial Matching via Personalized Dynamic Tree-Based Memory Network [54.332862955411656]
  臨床試験は薬物開発に不可欠であるが、しばしば高価で非効率な患者募集に苦しむ。 近年,患者と臨床試験を自動マッチングすることで患者採用を高速化する機械学習モデルが提案されている。 本稿では,TREement という名前の動的ツリーベースメモリネットワークモデルを導入する。
  論文  参考訳（メタデータ） (2023-07-19T12:35:09Z)
• A Transformer-based representation-learning model with unified processing of multimodal input for clinical diagnostics [63.106382317917344]
  本稿では,マルチモーダル入力を統一的に処理する臨床診断支援として,トランスフォーマーを用いた表現学習モデルについて報告する。 統一モデルは, 肺疾患の同定において, 画像のみのモデル, 非統一型マルチモーダル診断モデルより優れていた。
  論文  参考訳（メタデータ） (2023-06-01T16:23:47Z)
• The Shaky Foundations of Clinical Foundation Models: A Survey of Large Language Models and Foundation Models for EMRs [5.7482228499062975]
  非イメージングEMRデータに基づいて訓練された80以上の基礎モデルをレビューする。 ほとんどのモデルが、小さく、狭められた臨床データセットでトレーニングされていることが分かりました。 臨床基礎モデルの利点を評価するための評価フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-22T23:54:14Z)
• Benchmarking Heterogeneous Treatment Effect Models through the Lens of Interpretability [82.29775890542967]
  治療のパーソナライズされた効果を見積もるのは複雑だが、普及している問題である。 ヘテロジニアス処理効果推定に関する機械学習文献の最近の進歩は、洗練されたが不透明なツールの多くを生み出した。 我々は、ポストホックな特徴重要度法を用いて、モデルの予測に影響を及ぼす特徴を特定する。
  論文  参考訳（メタデータ） (2022-06-16T17:59:05Z)
• COVID-Net Biochem: An Explainability-driven Framework to Building Machine Learning Models for Predicting Survival and Kidney Injury of COVID-19 Patients from Clinical and Biochemistry Data [66.43957431843324]
  我々は、機械学習モデルを構築するための汎用的で説明可能なフレームワークであるCOVID-Net Biochemを紹介する。 この枠組みを用いて、新型コロナウイルス患者の生存率と、入院中に急性腎不全を発症する可能性を予測する。
  論文  参考訳（メタデータ） (2022-04-24T07:38:37Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。