論文の概要: Radiomic fingerprints for knee MR images assessment
- arxiv url: http://arxiv.org/abs/2506.20306v1
- Date: Wed, 25 Jun 2025 10:39:22 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-26 21:00:42.699419
- Title: Radiomic fingerprints for knee MR images assessment
- Title（参考訳）: 膝関節MRI画像評価のための放射線指紋
- Authors: Yaxi Chen, Simin Ni, Shaheer U. Saeed, Aleksandra Ivanova, Rikin Hargunani, Jie Huang, Chaozong Liu, Yipeng Hu,
- Abstract要約: 既存の放射線学的アプローチでは、放射線学的特徴の固定セットを使用し、人口レベルで選択され、すべての患者に均一に適用される。
これらのシグネチャは解釈可能であるが、個々の病理学的変異を表現するには制約が多すぎることが多い。
DLモデルにより選択された各患者に対して放射線特徴セット(指紋)を動的に構築する新しい放射線指紋フレームワークを提案する。
既存の放射線検査と異なり, 患者毎の指紋は, 大型放射線検査プールの特徴的関連を予測し, 患者ごとに臨床症状を予測できるもののみを選択することにより, 患者毎の指紋を抽出する。
- 参考スコア（独自算出の注目度）: 39.11295870085984
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Accurate interpretation of knee MRI scans relies on expert clinical judgment, often with high variability and limited scalability. Existing radiomic approaches use a fixed set of radiomic features (the signature), selected at the population level and applied uniformly to all patients. While interpretable, these signatures are often too constrained to represent individual pathological variations. As a result, conventional radiomic-based approaches are found to be limited in performance, compared with recent end-to-end deep learning (DL) alternatives without using interpretable radiomic features. We argue that the individual-agnostic nature in current radiomic selection is not central to its intepretability, but is responsible for the poor generalization in our application. Here, we propose a novel radiomic fingerprint framework, in which a radiomic feature set (the fingerprint) is dynamically constructed for each patient, selected by a DL model. Unlike the existing radiomic signatures, our fingerprints are derived on a per-patient basis by predicting the feature relevance in a large radiomic feature pool, and selecting only those that are predictive of clinical conditions for individual patients. The radiomic-selecting model is trained simultaneously with a low-dimensional (considered relatively explainable) logistic regression for downstream classification. We validate our methods across multiple diagnostic tasks including general knee abnormalities, anterior cruciate ligament (ACL) tears, and meniscus tears, demonstrating comparable or superior diagnostic accuracy relative to state-of-the-art end-to-end DL models. More importantly, we show that the interpretability inherent in our approach facilitates meaningful clinical insights and potential biomarker discovery, with detailed discussion, quantitative and qualitative analysis of real-world clinical cases to evidence these advantages.
- Abstract（参考訳）: 膝関節MRIの正確な解釈は専門的な臨床的判断に依存しており、しばしば高い可変性と拡張性に制限がある。
既存の放射線学的アプローチでは、固定された放射線学的特徴(署名)を使用し、人口レベルで選択され、すべての患者に均一に適用される。
これらのシグネチャは解釈可能であるが、個々の病理学的変異を表現するには制約が多すぎることが多い。
その結果、従来の放射能に基づくアプローチは、解釈可能な放射能特徴を使わずに、最近のエンド・ツー・エンドのディープラーニング(DL)代替手法と比較して、性能に制限があることが判明した。
我々は、現在の放射能選択における個人非依存性は、その解釈不可能性の中心ではなく、我々の応用における一般化の欠如の原因であると主張している。
本稿では,DLモデルにより選択された各患者に対して,放射線特徴セット(指紋)を動的に構築する,新しい放射線指紋フレームワークを提案する。
既存の放射線検査と異なり, 患者毎の指紋は, 大型放射線検査プールの特徴的関連を予測し, 患者ごとに臨床症状を予測できるもののみを選択することにより, 患者毎の指紋を抽出する。
放射能選択モデルは下流分類のための低次元(比較的説明可能な)ロジスティック回帰と同時に訓練される。
総膝関節異常,前十字靭帯(ACL)断裂,半月板断裂など複数の診断課題において,最先端のDLモデルと同等あるいは優れた診断精度を示した。
さらに,本手法に内在する解釈性は,これらの利点を実証するために,実世界の臨床症例の定量的,定量的,定性的な分析を行い,有意義な臨床的洞察と潜在的なバイオマーカー発見を促進することが示唆された。
関連論文リスト
- RadFabric: Agentic AI System with Reasoning Capability for Radiology [61.25593938175618]
RadFabricは、総合的なCXR解釈のための視覚的およびテキスト分析を統合するマルチエージェント、マルチモーダル推論フレームワークである。
システムは、病理診断に特殊なCXRエージェント、正確な解剖学的構造に視覚所見をマッピングする解剖学的解釈エージェント、および視覚的、解剖学的、臨床データを透明かつ証拠に基づく診断に合成する大規模なマルチモーダル推論モデルを利用した推論エージェントを使用する。
論文 参考訳（メタデータ） (2025-06-17T03:10:33Z) - AutoRad-Lung: A Radiomic-Guided Prompting Autoregressive Vision-Language Model for Lung Nodule Malignancy Prediction [5.736781475109306]
肺がんは、世界中でがん関連死亡の原因の1つとなっている。
臨床実践では、放射線技師はCT画像から抽出した定量的で手作りの放射線学的特徴に頼っている。
本稿では,手作りラジオミクスから発生するプロンプトと,自己回帰的に事前訓練されたVLMを結合したAutoRad-Lungを紹介する。
論文 参考訳（メタデータ） (2025-03-26T15:56:48Z) - Patient-specific radiomic feature selection with reconstructed healthy persona of knee MR images [39.11295870085984]
古典的な放射能の特徴は、画像の外観と強度パターンを記述するように設計されている。
このような放射能特性を用いた低次元パラメトリックモデルでは、解釈性は向上するが、臨床における比較性能は低下する。
本稿では,患者ごとの放射線学的特徴を学習することで,標準的なロジスティック回帰モデルの性能を大幅に改善する手法を提案する。
論文 参考訳（メタデータ） (2025-03-17T12:55:43Z) - Anatomy-Guided Radiology Report Generation with Pathology-Aware Regional Prompts [3.1019279528120363]
生成AIを報告する放射線学は、臨床ワークロードを緩和し、医療を合理化するための大きな可能性を秘めている。
既存のシステムは、固定サイズ、パッチレベルの画像特徴、病理情報の組み入れが不十分なため、しばしば不足する。
本稿では,病的・病態的情報を多種多様な尺度で明確に統合するために,病理学的に認識された地域的プロンプトを活用する革新的なアプローチを提案する。
論文 参考訳（メタデータ） (2024-11-16T12:36:20Z) - ChatRadio-Valuer: A Chat Large Language Model for Generalizable
Radiology Report Generation Based on Multi-institution and Multi-system Data [115.0747462486285]
ChatRadio-Valuerは、一般化可能な表現を学習する自動放射線学レポート生成のための調整されたモデルである。
本研究で利用した臨床データセットは,textbf332,673の顕著な総計を含む。
ChatRadio-Valuerは、最先端のモデル、特にChatGPT(GPT-3.5-Turbo)やGPT-4などより一貫して優れている。
論文 参考訳（メタデータ） (2023-10-08T17:23:17Z) - 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) - Ambiguous Medical Image Segmentation using Diffusion Models [60.378180265885945]
我々は,グループ洞察の分布を学習することで,複数の可算出力を生成する単一拡散モデルに基づくアプローチを提案する。
提案モデルでは,拡散の固有のサンプリングプロセスを利用してセグメンテーションマスクの分布を生成する。
その結果,提案手法は既存の最先端曖昧なセグメンテーションネットワークよりも優れていることがわかった。
論文 参考訳（メタデータ） (2023-04-10T17:58:22Z)
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。