論文の概要: A Narrative Review on Large AI Models in Lung Cancer Screening, Diagnosis, and Treatment Planning

• arxiv url: http://arxiv.org/abs/2506.07236v2
• Date: Sat, 28 Jun 2025 01:57:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-01 19:22:02.170297
• Title: A Narrative Review on Large AI Models in Lung Cancer Screening, Diagnosis, and Treatment Planning
• Title（参考訳）: 肺癌検診・診断・治療計画における大規模AIモデルの検討
• Authors: Jiachen Zhong, Yiting Wang, Di Zhu, Ziwei Wang,
• Abstract要約: 肺がんは世界中で最も流行し、致命的な疾患の1つである。 大規模AIモデルの最近の進歩は、医療画像理解と臨床的意思決定を大幅に強化した。 本稿では, 肺がん検診, 診断, 予後, 治療における大規模AIモデルの適用状況について, 系統的に検討する。
• 参考スコア（独自算出の注目度）: 8.431488361911754
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Lung cancer remains one of the most prevalent and fatal diseases worldwide, demanding accurate and timely diagnosis and treatment. Recent advancements in large AI models have significantly enhanced medical image understanding and clinical decision-making. This review systematically surveys the state-of-the-art in applying large AI models to lung cancer screening, diagnosis, prognosis, and treatment. We categorize existing models into modality-specific encoders, encoder-decoder frameworks, and joint encoder architectures, highlighting key examples such as CLIP, BLIP, Flamingo, BioViL-T, and GLoRIA. We further examine their performance in multimodal learning tasks using benchmark datasets like LIDC-IDRI, NLST, and MIMIC-CXR. Applications span pulmonary nodule detection, gene mutation prediction, multi-omics integration, and personalized treatment planning, with emerging evidence of clinical deployment and validation. Finally, we discuss current limitations in generalizability, interpretability, and regulatory compliance, proposing future directions for building scalable, explainable, and clinically integrated AI systems. Our review underscores the transformative potential of large AI models to personalize and optimize lung cancer care.
• Abstract（参考訳）: 肺がんは世界中で最も流行し、致命的な疾患の1つであり、正確な診断と治療を必要としている。 大規模AIモデルの最近の進歩は、医療画像理解と臨床的意思決定を大幅に強化した。 本稿では, 肺がん検診, 診断, 予後, 治療における大規模AIモデルの適用状況について, 系統的に検討する。 既存のモデルを,CLIP,BLIP,Flamingo,BioViL-T,GLoRIAなど,モダリティ固有のエンコーダ,エンコーダ・デコーダ・フレームワーク,共同エンコーダ・アーキテクチャに分類する。 さらに、LIDC-IDRI、NLST、MIMIC-CXRといったベンチマークデータセットを用いて、マルチモーダル学習タスクのパフォーマンスについて検討する。 応用は肺結節の検出、遺伝子変異の予測、マルチオミクスの統合、パーソナライズされた治療計画に及び、臨床展開とバリデーションの新たな証拠である。 最後に、一般化可能性、解釈可能性、規制コンプライアンスの現在の制限について議論し、スケーラブルで説明可能な、臨床的に統合されたAIシステムを構築するための今後の方向性を提案する。 我々のレビューは、肺がん治療をパーソナライズし、最適化するための大きなAIモデルの変革の可能性を強調している。

関連論文リスト

• Comparative Evaluation of Radiomics and Deep Learning Models for Disease Detection in Chest Radiography [0.0]
  本研究は,胸部X線撮影における疾患検出のための放射線治療と深層学習によるアプローチの包括的評価である。 新型コロナウイルス、肺不透明症、ウイルス性肺炎に焦点が当てられている。 臨床実習におけるAI駆動診断ツールの統合について報告する。
  論文  参考訳（メタデータ） (2025-04-16T16:54:37Z)
• PathOrchestra: A Comprehensive Foundation Model for Computational Pathology with Over 100 Diverse Clinical-Grade Tasks [39.97710183184273]
  本稿では,300Kの病理スライドからなるデータセット上で,自己教師型学習を通じて学習した多種多様な病理基盤モデルPathOrchestraを提案する。 このモデルは、61のプライベートデータセットと51のパブリックデータセットを組み合わせて、112の臨床的タスクで厳格に評価された。 PathOrchestraは27,755のWSIと9,415,729のROIで例外的なパフォーマンスを示し、47のタスクで0.950以上の精度を達成した。
  論文  参考訳（メタデータ） (2025-03-31T17:28:02Z)
• Doctor-in-the-Loop: An Explainable, Multi-View Deep Learning Framework for Predicting Pathological Response in Non-Small Cell Lung Cancer [0.6800826356148091]
  非小細胞肺癌(NSCLC)はいまだに世界的な健康上の課題である。 専門家主導のドメイン知識と説明可能な人工知能技術を統合する新しいフレームワークであるDoctor-in-the-Loopを提案する。 アプローチでは段階的なマルチビュー戦略を採用し,より広いコンテキスト特徴からより微細で病変特異的な詳細まで,モデルの焦点を段階的に洗練する。
  論文  参考訳（メタデータ） (2025-02-21T16:35:30Z)
• From large language models to multimodal AI: A scoping review on the potential of generative AI in medicine [40.23383597339471]
  マルチモーダルAIは、イメージング、テキスト、構造化データを含む多様なデータモダリティを単一のモデルに統合することができる。 このスコーピングレビューは、マルチモーダルAIの進化を探求し、その方法、アプリケーション、データセット、臨床環境での評価を強調している。 診断支援,医療報告生成,薬物発見,会話型AIの革新を推進し,一過性のアプローチからマルチモーダルアプローチへのシフトを示唆した。
  論文  参考訳（メタデータ） (2025-02-13T11:57:51Z)
• Continually Evolved Multimodal Foundation Models for Cancer Prognosis [50.43145292874533]
  がん予後は、患者の予後と生存率を予測する重要なタスクである。 これまでの研究では、臨床ノート、医療画像、ゲノムデータなどの多様なデータモダリティを統合し、補完的な情報を活用している。 既存のアプローチには2つの大きな制限がある。まず、各病院の患者記録など、各種のトレーニングに新しく到着したデータを組み込むことに苦慮する。 第二に、ほとんどのマルチモーダル統合手法は単純化された結合やタスク固有のパイプラインに依存しており、モダリティ間の複雑な相互依存を捉えることができない。
  論文  参考訳（メタデータ） (2025-01-30T06:49:57Z)
• Foundational Models for Pathology and Endoscopy Images: Application for Gastric Inflammation [0.0]
  ファンデーションモデル(FM)は、多様なデータに基づいて訓練され、幅広いユースケースに適用できる機械学習モデルまたはディープラーニングモデルである。 FMは内視鏡とそれに続く病理画像解析の精度を高めるための有望なソリューションを提供する。 本総説は,FMを臨床実践に組み込むことの複雑さをナビゲートする上で,研究者や実践者にとってのロードマップを提供することを目的としている。
  論文  参考訳（メタデータ） (2024-06-26T10:51:44Z)
• Breast Cancer Diagnosis: A Comprehensive Exploration of Explainable Artificial Intelligence (XAI) Techniques [38.321248253111776]
  乳がんの診断・診断における説明可能な人工知能(XAI)技術の適用について検討する。 複雑なAIモデルと実用的な医療アプリケーションの間のギャップを埋めることにおけるXAIの可能性を強調することを目的としている。
  論文  参考訳（メタデータ） (2024-06-01T18:50:03Z)
• Leveraging Expert Input for Robust and Explainable AI-Assisted Lung Cancer Detection in Chest X-rays [2.380494879018844]
  本研究では,InceptionV3に基づく高機能肺癌検出モデルの解釈可能性とロバスト性について検討した。 我々は,概念ボトルネック手法を活用した専門家主導のアプローチであるClinicXAIを開発する。
  論文  参考訳（メタデータ） (2024-03-28T14:15:13Z)
• Learning Through Guidance: Knowledge Distillation for Endoscopic Image Classification [40.366659911178964]
  内視鏡は消化管(GI)の根底にある異常を同定する上で重要な役割を担っている。 ディープラーニング、特にCNN(Convolution Neural Networks)は、従来の機能エンジニアリングを使わずに自動機能学習を実行するように設計されている。 KDに基づく3つの学習フレームワーク、応答ベース、特徴ベース、関係ベースメカニズムについて検討し、関係ベース学習を支援するために、新しい多面的注意型特徴融合機構を導入する。
  論文  参考訳（メタデータ） (2023-08-17T02:02:11Z)

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。