論文の概要: A computationally frugal open-source foundation model for thoracic disease detection in lung cancer screening programs

• arxiv url: http://arxiv.org/abs/2507.01881v2
• Date: Tue, 15 Jul 2025 18:03:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-17 14:40:09.54048
• Title: A computationally frugal open-source foundation model for thoracic disease detection in lung cancer screening programs
• Title（参考訳）: 肺がん検診プログラムにおける胸部疾患検出のための計算自由なオープンソース基盤モデル
• Abstract要約: 肺がん検診プログラムにおける低線量CT(LDCT)画像の取り込みは世界中で増加している。 しかし、これらの努力は、大規模なスキャンを解釈する放射線学者の不足によって妨げられている。 本稿では,LDCT解析のためのオープンソースの基盤モデルであるTANGERINEについて述べる。
• 参考スコア（独自算出の注目度）: 4.1891161098930105
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Low-dose computed tomography (LDCT) imaging employed in lung cancer screening (LCS) programs is increasing in uptake worldwide. LCS programs herald a generational opportunity to simultaneously detect cancer and non-cancer-related early-stage lung disease. Yet these efforts are hampered by a shortage of radiologists to interpret scans at scale. Here, we present TANGERINE, a computationally frugal, open-source vision foundation model for volumetric LDCT analysis. Designed for broad accessibility and rapid adaptation, TANGERINE can be fine-tuned off the shelf for a wide range of disease-specific tasks with limited computational resources and training data. Relative to models trained from scratch, TANGERINE demonstrates fast convergence during fine-tuning, thereby requiring significantly fewer GPU hours, and displays strong label efficiency, achieving comparable or superior performance with a fraction of fine-tuning data. Pretrained using self-supervised learning on over 98,000 thoracic LDCTs, including the UK's largest LCS initiative to date and 27 public datasets, TANGERINE achieves state-of-the-art performance across 14 disease classification tasks, including lung cancer and multiple respiratory diseases, while generalising robustly across diverse clinical centres. By extending a masked autoencoder framework to 3D imaging, TANGERINE offers a scalable solution for LDCT analysis, departing from recent closed, resource-intensive models by combining architectural simplicity, public availability, and modest computational requirements. Its accessible, open-source lightweight design lays the foundation for rapid integration into next-generation medical imaging tools that could transform LCS initiatives, allowing them to pivot from a singular focus on lung cancer detection to comprehensive respiratory disease management in high-risk populations.
• Abstract（参考訳）: 肺がん検診(LCS)プログラムにおける低線量CT(LDCT)画像の収集が世界中で増加している。 LCSプログラムは、がんと非がん関連早期肺疾患を同時に検出する世代間機会を与える。 しかし、これらの努力は、大規模なスキャンを解釈する放射線学者の不足によって妨げられている。 本稿では,ボリュームLDCT解析のためのオープンソースの基盤モデルであるTANGERINEについて述べる。 広範囲のアクセシビリティと迅速な適応のために設計されたTANGERINEは、限られた計算資源と訓練データを備えた幅広い病気固有のタスクのために、棚から微調整することができる。 TANGERINEは、スクラッチからトレーニングされたモデルに対して、微調整中に高速な収束を示し、GPU時間を大幅に削減し、強力なラベル効率を示し、わずかな微調整データで同等または優れたパフォーマンスを達成する。 これまでに英国で最大のLCSイニシアチブと27の公開データセットを含む98,000以上の胸部LDCTで、自己監督学習を使用して事前訓練されたTANGERINEは、肺がんや複数の呼吸器疾患を含む14の疾患分類タスクにおいて、最先端のパフォーマンスを達成し、さまざまな臨床センターでしっかりと一般化している。 マスク付きオートエンコーダフレームワークを3Dイメージングに拡張することで、TANGERINEはLDCT分析のためのスケーラブルなソリューションを提供する。 オープンソースのライトウェイトデザインは、LCSイニシアチブを変革する可能性のある次世代の医療画像ツールへの迅速な統合の基礎を築き、肺がん検出の特異な焦点から、高リスク人口における包括的呼吸器疾患管理への転換を可能にしている。

関連論文リスト

• Distilling Photon-Counting CT into Routine Chest CT through Clinically Validated Degradation Modeling [51.330452704464925]
  145の病院から1,046のPCCTと405,379のEICTで潜伏拡散モデルを訓練した。 我々は,PCCTライクな品質に拡張された17,316以上の公開EICTの大規模データセットを構築した。 以上の結果から,現像技術の進歩は,限られた高画質スキャンを基準として,定期的なEICTに体系的に蒸留できることが示唆された。
  論文  参考訳（メタデータ） (2026-04-08T17:47:35Z)
• LungCRCT: Causal Representation based Lung CT Processing for Lung Cancer Treatment [3.765413696274397]
  LungCRCTは因果表現学習に基づく肺がん解析フレームワークである。 肺がん進行の物理的因果機構における因子の因果表現を検索する。
  論文  参考訳（メタデータ） (2026-01-26T04:03:50Z)
• X-ray Insights Unleashed: Pioneering the Enhancement of Multi-Label Long-Tail Data [86.52299247918637]
  胸部X線撮影における長期肺腫瘍の診断は困難であった。 尾部病変の表現力を高める拡散法は近年進歩しているが, 稀な病変例では, それらの発生能が低下している。 そこで本研究では,従来のX線を併用して尾部病変を増大させる新しいデータ合成パイプラインを提案する。
  論文  参考訳（メタデータ） (2025-12-24T06:14:55Z)
• LungEvaty: A Scalable, Open-Source Transformer-based Deep Learning Model for Lung Cancer Risk Prediction in LDCT Screening [37.29507297342265]
  LungEvatyは、1つのLDCTスキャンから1-6年の肺がんリスクを予測するトランスフォーマーベースのフレームワークである。 大規模なスクリーニングデータから直接学習し、悪性リスクに関連する包括的な解剖学的および病理学的手がかりをキャプチャする。 LungEvatyは9万回以上のCTスキャンを行い、28,000回以上の微調整、6000回以上の評価を行った。
  論文  参考訳（メタデータ） (2025-11-25T09:38:10Z)
• Distributed U-net model and Image Segmentation for Lung Cancer Detection [0.0]
  本研究では,コンピュータ支援設計システム(CAD)の可能性について検討し,特にU-Netのような先進的なディープラーニングモデルを用いて検討した。 肺CT画像と対応するセグメンテーションマスクからなる広範囲なデータセットは、経験的検証の基礎となる。 実験結果から,U-Netモデルのロバストな性能が確認された。
  論文  参考訳（メタデータ） (2025-02-20T03:29:23Z)
• Boosting Medical Image-based Cancer Detection via Text-guided Supervision from Reports [68.39938936308023]
  本研究では, 高精度ながん検出を実現するための新しいテキスト誘導学習法を提案する。 本手法は,大規模プレトレーニングVLMによる臨床知識の活用により,一般化能力の向上が期待できる。
  論文  参考訳（メタデータ） (2024-05-23T07:03:38Z)
• Double Integral Enhanced Zeroing Neural Network Optimized with ALSOA fostered Lung Cancer Classification using CT Images [1.1510009152620668]
  肺がんは最も致命的な疾患の1つであり、疾患や死亡の原因となっている。 提案手法は既存の手法で解析した18.32%,27.20%,34.32%の精度で得られた。
  論文  参考訳（メタデータ） (2023-12-05T10:53:35Z)
• Revisiting Computer-Aided Tuberculosis Diagnosis [56.80999479735375]
  結核(TB)は世界的な健康上の脅威であり、毎年何百万人もの死者を出している。 深層学習を用いたコンピュータ支援結核診断 (CTD) は有望であるが, 限られたトレーニングデータによって進行が妨げられている。 結核X線(TBX11K)データセットは11,200個の胸部X線(CXR)画像とそれに対応するTB領域のバウンディングボックスアノテーションを含む。 このデータセットは、高品質なCTDのための洗練された検出器のトレーニングを可能にする。
  論文  参考訳（メタデータ） (2023-07-06T08:27:48Z)
• High-Fidelity Image Synthesis from Pulmonary Nodule Lesion Maps using Semantic Diffusion Model [10.412300404240751]
  肺がんは、長年にわたり、世界中でがん関連の死因の1つとなっている。 ディープラーニング、学習アルゴリズムに基づくコンピュータ支援診断(CAD)モデルは、スクリーニングプロセスを加速することができる。 しかし、堅牢で正確なモデルを開発するには、しばしば高品質なアノテーションを備えた大規模で多様な医療データセットが必要である。
  論文  参考訳（メタデータ） (2023-05-02T01:04:22Z)
• Enhancing Cancer Prediction in Challenging Screen-Detected Incident Lung Nodules Using Time-Series Deep Learning [2.744770849264355]
  低用量CTによる肺がん検診(LCS)は肺がん死亡率を著しく低下させることが証明された。 肺結節の悪性度リスクの階層化を改善するには, マシン/ディープ学習アルゴリズムが有用である。 本稿では,時系列深層学習モデル(DeepCAD-NLM-L)の性能について述べる。
  論文  参考訳（メタデータ） (2022-03-30T18:40:36Z)
• Lung Cancer Lesion Detection in Histopathology Images Using Graph-Based Sparse PCA Network [93.22587316229954]
  ヘマトキシリンとエオシン(H&E)で染色した組織学的肺スライドにおける癌病変の自動検出のためのグラフベーススパース成分分析(GS-PCA)ネットワークを提案する。 我々は,SVM K-rasG12D肺がんモデルから得られたH&Eスライダーの精度・リコール率,Fスコア,谷本係数,レシーバ演算子特性(ROC)の曲線下領域を用いて,提案アルゴリズムの性能評価を行った。
  論文  参考訳（メタデータ） (2021-10-27T19:28:36Z)
• COVID-Net US: A Tailored, Highly Efficient, Self-Attention Deep Convolutional Neural Network Design for Detection of COVID-19 Patient Cases from Point-of-care Ultrasound Imaging [101.27276001592101]
  我々は,肺POCUS画像からの新型コロナウイルススクリーニングに適した,高効率で自己注意型の深層畳み込みニューラルネットワーク設計であるCOVID-Net USを紹介した。 実験の結果、提案されたCOVID-Net USは、アーキテクチャの複雑さが353倍、計算の複雑さが62倍、Raspberry Piで14.3倍高速なAUCを達成できることがわかった。 リソース制約のある環境において安価な医療と人工知能を提唱するために、COVID-Net USをオープンソースにし、COVID-Netオープンソースイニシアチブの一部として公開しました。
  論文  参考訳（メタデータ） (2021-08-05T16:47:33Z)
• In-Line Image Transformations for Imbalanced, Multiclass Computer Vision Classification of Lung Chest X-Rays [91.3755431537592]
  本研究は、COVID-19 LCXRデータ不足のバランスをとるために画像変換を適用するために、文献の体系を活用することを目的としている。 convolutional neural networks(cnns)のようなディープラーニング技術は、健康状態と疾患状態を区別する特徴を選択することができる。 本研究は,CNNアーキテクチャを用いて高速多クラスLCXR分類を94%精度で行う。
  論文  参考訳（メタデータ） (2021-04-06T02:01:43Z)
• 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)
• 3D Neural Network for Lung Cancer Risk Prediction on CT Volumes [0.6810862244331126]
  肺がんはアメリカ合衆国で最も多いがん死の原因である。 肺がんCT検査は、死亡率を40%まで下げることが示されている。 放射線診断の基準が採用されているにもかかわらず, 経年変化が持続的であり, 包括的画像所見の不完全な特徴が現在の方法の限界として残っている。 本稿では,肺がんリスク予測のための最先端ディープラーニングアルゴリズムを再現する。
  論文  参考訳（メタデータ） (2020-07-25T10:01:22Z)

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。