論文の概要: A Synthetic Data-Driven Radiology Foundation Model for Pan-tumor Clinical Diagnosis

• arxiv url: http://arxiv.org/abs/2502.06171v2
• Date: Mon, 20 Oct 2025 16:48:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 00:56:38.18036
• Title: A Synthetic Data-Driven Radiology Foundation Model for Pan-tumor Clinical Diagnosis
• Title（参考訳）: パン腫瘍臨床診断のための合成データ駆動放射線学基礎モデル
• Authors: Wenhui Lei, Hanyu Chen, Zitian Zhang, Luyang Luo, Qiong Xiao, Yannian Gu, Peng Gao, Yankai Jiang, Ci Wang, Guangtao Wu, Tongjia Xu, Yingjie Zhang, Pranav Rajpurkar, Xiaofan Zhang, Shaoting Zhang, Zhenning Wang,
• Abstract要約: PASTAは、PASTA-Genをベースとしたパン腫瘍基礎モデルである。 PASTAは46の腫瘍学タスクのうち45の最先端のパフォーマンスを達成する。
• 参考スコア（独自算出の注目度）: 21.212976987658415
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: AI-assisted imaging made substantial advances in tumor diagnosis and management. However, a major barrier to developing robust oncology foundation models is the scarcity of large-scale, high-quality annotated datasets, which are limited by privacy restrictions and the high cost of manual labeling. To address this gap, we present PASTA, a pan-tumor radiology foundation model built on PASTA-Gen, a synthetic data framework that generated 30,000 3D CT scans with pixel-level lesion masks and structured reports of tumors across ten organ systems. Leveraging this resource, PASTA achieves state-of-the-art performance on 45 of 46 oncology tasks, including non-contrast CT tumor screening, lesion segmentation, structured reporting, tumor staging, survival prediction, and MRI-modality transfer. To assess clinical applicability, we developed PASTA-AID, a clinical decision support system, and ran a retrospective simulated clinical trial across two scenarios. For pan-tumor screening on plain CT with fixed reading time, PASTA-AID increased radiologists' throughput by 11.1-25.1% and improved sensitivity by 17.0-31.4% and precision by 10.5-24.9%; additionally, in a diagnosis-aid workflow, it reduced segmentation time by up to 78.2% and reporting time by up to 36.5%. Beyond gains in accuracy and efficiency, PASTA-AID narrowed the expertise gap, enabling less-experienced radiologists to approach expert-level performance. Together, this work establishes an end-to-end, synthetic data-driven pipeline spanning data generation, model development, and clinical validation, thereby demonstrating substantial potential for pan-tumor research and clinical translation.
• Abstract（参考訳）: AI支援画像は、腫瘍の診断と管理に大きな進歩をもたらした。 しかしながら、堅牢なオンコロジー基盤モデルを開発する上での大きな障壁は、プライバシの制限と手動ラベリングのコストによって制限される、大規模で高品質な注釈付きデータセットの不足である。 このギャップに対処するために,PASTAはPASTA-Gen上に構築されたパン腫瘍基礎モデルであり,PASTA-Genは3万枚の3次元CTスキャンを画素レベルの病変マスクで生成し,10個の臓器系にわたって腫瘍の構造化報告を行う合成データフレームワークである。 このリソースを活用して、PASTAは、非コントラストCT腫瘍スクリーニング、病変分割、構造化報告、腫瘍ステージング、生存予測、MRI-モダリティ転送を含む46のオンコロジータスクの45の最先端のパフォーマンスを達成する。 臨床応用性を評価するため,臨床意思決定支援システムであるPASTA-AIDを開発した。 PASTA-AIDはCTのパン腫瘍検診において、放射線医のスループットを11.1-25.1%向上し、感度を17.0-31.4%向上し、精度を10.5-24.9%向上させた。 PASTA-AIDは精度と効率の向上に加えて、専門知識のギャップを狭め、経験の浅い放射線学者が専門家レベルのパフォーマンスにアプローチできるようにした。 この研究は、データ生成、モデル開発、臨床バリデーションにまたがるエンドツーエンドの合成データ駆動パイプラインを確立し、パン腫瘍研究および臨床翻訳の可能性を示す。

関連論文リスト

• LymphAtlas- A Unified Multimodal Lymphoma Imaging Repository Delivering AI-Enhanced Diagnostic Insight [3.746123328463508]
  本研究はPET代謝情報をCT解剖学的構造と統合し,PET/CT検査に基づく悪性リンパ腫の3次元マルチモーダルセグメンテーションデータセットを構築した。 2011年3月から2024年5月までの間に得られた483件の検査データセットを, 220件の患者を対象に遡及的に収集した。
  論文  参考訳（メタデータ） (2025-04-29T06:10:12Z)
• FundusGAN: A Hierarchical Feature-Aware Generative Framework for High-Fidelity Fundus Image Generation [35.46876389599076]
  FundusGANは、高忠実度ファンドス画像合成用に特別に設計された新しい階層的特徴認識生成フレームワークである。 我々は、FundusGANが複数のメトリクスにわたって最先端のメソッドを一貫して上回っていることを示す。
  論文  参考訳（メタデータ） (2025-03-22T18:08:07Z)
• ScaleMAI: Accelerating the Development of Trusted Datasets and AI Models [46.80682547774335]
  我々はAI統合データキュレーションとアノテーションのエージェントであるScaleMAIを提案する。 まず、ScaleMAIは25,362個のCTスキャンを作成した。 第2に、プログレッシブなヒューマン・イン・ザ・ループのイテレーションを通じて、ScaleMAIはFragship AI Modelを提供する。
  論文  参考訳（メタデータ） (2025-01-06T22:12:00Z)
• ONCOPILOT: A Promptable CT Foundation Model For Solid Tumor Evaluation [3.8763197858217935]
  ONCOPILOTは、全身を覆う約7,500個のCTスキャンに基づいて訓練された、インタラクティブな放射線基礎モデルである。 ポイントクリックやバウンディングボックスのような視覚的なプロンプトを使って3D腫瘍のセグメンテーションを行い、最先端のモデルより優れています。 ONCOPILOTは測定プロセスを加速し、リーダー間のばらつきを低減する。
  論文  参考訳（メタデータ） (2024-10-10T13:36:49Z)
• 3D-CT-GPT: Generating 3D Radiology Reports through Integration of Large Vision-Language Models [51.855377054763345]
  本稿では,VQAに基づく医用視覚言語モデルである3D-CT-GPTについて紹介する。 パブリックデータセットとプライベートデータセットの両方の実験により、3D-CT-GPTはレポートの正確さと品質という点で既存の手法を著しく上回っていることが示された。
  論文  参考訳（メタデータ） (2024-09-28T12:31:07Z)
• AutoPET Challenge: Tumour Synthesis for Data Augmentation [26.236831356731017]
  我々は,CT画像のためのDiffTumor法を適用し,病変のあるPET-CT画像を生成する。 提案手法では,AutoPETデータセット上で生成モデルをトレーニングし,トレーニングデータの拡張に使用する。 以上の結果から,拡張データセットでトレーニングしたモデルでは,Diceスコアが向上し,データ拡張アプローチの可能性が示された。
  論文  参考訳（メタデータ） (2024-09-12T14:23:19Z)
• Potential of Multimodal Large Language Models for Data Mining of Medical Images and Free-text Reports [51.45762396192655]
  特にGemini-Vision-Series (Gemini) と GPT-4-Series (GPT-4) は、コンピュータビジョンのための人工知能のパラダイムシフトを象徴している。 本研究は,14の医用画像データセットを対象に,Gemini,GPT-4,および4つの一般的な大規模モデルの性能評価を行った。
  論文  参考訳（メタデータ） (2024-07-08T09:08:42Z)
• Beyond Images: An Integrative Multi-modal Approach to Chest X-Ray Report Generation [47.250147322130545]
  画像からテキストまでの放射線学レポート生成は,医療画像の発見を記述した放射線学レポートを自動生成することを目的としている。 既存の方法の多くは画像データのみに焦点をあてており、他の患者情報は放射線科医に公開されていない。 胸部X線レポートを生成するための多モードディープニューラルネットワークフレームワークを,非構造的臨床ノートとともにバイタルサインや症状などの構造化された患者データを統合することで提案する。
  論文  参考訳（メタデータ） (2023-11-18T14:37:53Z)
• PathLDM: Text conditioned Latent Diffusion Model for Histopathology [62.970593674481414]
  そこで我々は,高品質な病理像を生成するためのテキスト条件付き遅延拡散モデルPathLDMを紹介した。 提案手法は画像とテキストデータを融合して生成プロセスを強化する。 我々は,TCGA-BRCAデータセット上でのテキスト・ツー・イメージ生成において,SoTA FIDスコア7.64を達成し,FID30.1と最も近いテキスト・コンディショナブル・コンペティタを著しく上回った。
  論文  参考訳（メタデータ） (2023-09-01T22:08:32Z)
• Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
  ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。 胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。 本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
  論文  参考訳（メタデータ） (2021-02-26T02:29:30Z)

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。