論文の概要: CXR-TFT: Multi-Modal Temporal Fusion Transformer for Predicting Chest X-ray Trajectories

• arxiv url: http://arxiv.org/abs/2507.14766v1
• Date: Sat, 19 Jul 2025 22:42:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-22 20:51:32.042169
• Title: CXR-TFT: Multi-Modal Temporal Fusion Transformer for Predicting Chest X-ray Trajectories
• Title（参考訳）: CXR-TFT:胸部X線軌道予測のための多モード時間核融合変換器
• Authors: Mehak Arora, Ayman Ali, Kaiyuan Wu, Carolyn Davis, Takashi Shimazui, Mahmoud Alwakeel, Victor Moas, Philip Yang, Annette Esper, Rishikesan Kamaleswaran,
• Abstract要約: 集中治療室(ICU)では、複雑な臨床疾患を持つ患者は警戒監視と迅速な介入が必要である。 既存のCXR解釈ツールは断面解析によって制約されており、時間的ダイナミクスを捉えていない。 CXR-TFTは,CXR画像と放射線診断を高頻度臨床データと統合した新しいマルチモーダルフレームワークである。
• 参考スコア（独自算出の注目度）: 1.681259205454531
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In intensive care units (ICUs), patients with complex clinical conditions require vigilant monitoring and prompt interventions. Chest X-rays (CXRs) are a vital diagnostic tool, providing insights into clinical trajectories, but their irregular acquisition limits their utility. Existing tools for CXR interpretation are constrained by cross-sectional analysis, failing to capture temporal dynamics. To address this, we introduce CXR-TFT, a novel multi-modal framework that integrates temporally sparse CXR imaging and radiology reports with high-frequency clinical data, such as vital signs, laboratory values, and respiratory flow sheets, to predict the trajectory of CXR findings in critically ill patients. CXR-TFT leverages latent embeddings from a vision encoder that are temporally aligned with hourly clinical data through interpolation. A transformer model is then trained to predict CXR embeddings at each hour, conditioned on previous embeddings and clinical measurements. In a retrospective study of 20,000 ICU patients, CXR-TFT demonstrated high accuracy in forecasting abnormal CXR findings up to 12 hours before they became radiographically evident. This predictive capability in clinical data holds significant potential for enhancing the management of time-sensitive conditions like acute respiratory distress syndrome, where early intervention is crucial and diagnoses are often delayed. By providing distinctive temporal resolution in prognostic CXR analysis, CXR-TFT offers actionable 'whole patient' insights that can directly improve clinical outcomes.
• Abstract（参考訳）: 集中治療室(ICU)では、複雑な臨床疾患を持つ患者は警戒監視と迅速な介入が必要である。 胸部X線(CXR)は重要な診断ツールであり、臨床軌道の洞察を提供するが、その不規則な取得は有用性を制限している。 既存のCXR解釈ツールは断面解析によって制約されており、時間的ダイナミクスを捉えていない。 そこで我々はCXR-TFT(CXR-TFT)という新しいマルチモーダル・フレームワークを導入し,CXR画像と放射線検査を高頻度の臨床データ(バイタルサイン,検査値,呼吸フローシートなど)と統合し,重度疾患患者のCXR所見の軌跡を予測する。 CXR-TFTは、補間によって時間的な臨床データと時間的に一致した視覚エンコーダからの潜伏埋め込みを利用する。 次に、トランスモデルをトレーニングし、各時間にCXRの埋め込みを予測し、以前の埋め込みと臨床測定に基づいて調整する。 CXR-TFTは,2万例のICU患者の振り返り調査において,X線学的に明らかになる12時間前までの異常CXRの予測において高い精度を示した。 この臨床データにおける予測能力は、早期介入が不可欠で診断が遅れる急性呼吸窮迫症候群のような、時間に敏感な疾患の管理を促進する重要な可能性を秘めている。 CXR-TFTは、診断的CXR分析において特異的な時間分解能を提供することにより、臨床結果を直接改善できる実行可能な「全体患者」の洞察を提供する。

関連論文リスト

• CXR-LT 2024: A MICCAI challenge on long-tailed, multi-label, and zero-shot disease classification from chest X-ray [64.2434525370243]
  CXR-LTシリーズは、胸部X線を用いた肺疾患の分類を強化するために設計されたコミュニティ主導のイニシアチブである。 CXR-LT 2024はデータセットを377,110の胸部X線(CXR)と45の疾患ラベルに拡張し、19の新しい稀な疾患の発見を含んでいる。 本稿では、CXR-LT 2024の概要を述べるとともに、データキュレーションプロセスの詳細と最先端ソリューションの統合について述べる。
  論文  参考訳（メタデータ） (2025-06-09T17:53:31Z)
• Addressing Asynchronicity in Clinical Multimodal Fusion via Individualized Chest X-ray Generation [14.658627367126009]
  本稿では,胸部X線像の最新の画像表現を動的に生成するDDL-CXRを提案する。 提案手法は,従来のCXR画像とERH時系列を戦略的に条件付けした患者特異的生成のための潜時拡散モデルを利用する。 MIMICデータセットを用いた実験は、提案モデルがマルチモーダル融合における非同期性に効果的に対応し、既存の手法を一貫して上回ることを示す。
  論文  参考訳（メタデータ） (2024-10-23T14:34:39Z)
• Towards Predicting Temporal Changes in a Patient's Chest X-ray Images based on Electronic Health Records [9.398163873685798]
  本稿では,従来のCXRとその後の医療イベントを統合することで,将来のCXR画像を予測する新しいフレームワークであるEHRXDiffを提案する。 その結果、我々のフレームワークは、潜在的時間的変化を効果的に捉えた高品質で現実的な未来像を生成することがわかった。
  論文  参考訳（メタデータ） (2024-09-11T04:49:44Z)
• Expert Uncertainty and Severity Aware Chest X-Ray Classification by Multi-Relationship Graph Learning [48.29204631769816]
  我々はCXRレポートから病気ラベルを再抽出し,重症度と分類の不確実性を考慮し,より現実的になるようにした。 以上の結果から, 疾患の重症度と不確実性を考慮したモデルが, 従来の最先端手法よりも優れていたことが示唆された。
  論文  参考訳（メタデータ） (2023-09-06T19:19:41Z)
• Longitudinal Data and a Semantic Similarity Reward for Chest X-Ray Report Generation [7.586632627817609]
  放射線学者は、解釈と報告を必要とする胸部X線(CXR)の量の増加のために、高いバーンアウト率に直面している。 提案するCXRレポートジェネレータは,ワークフローの要素を統合し,強化学習のための新たな報酬を導入する。 本研究の結果から, 提案モデルでは, 最新技術モデルよりも, 放射線学者の報告に適合した報告が生成されることがわかった。
  論文  参考訳（メタデータ） (2023-07-19T05:41:14Z)
• 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)
• Optimising Chest X-Rays for Image Analysis by Identifying and Removing Confounding Factors [49.005337470305584]
  新型コロナウイルス(COVID-19)のパンデミック(パンデミック)の間、新型コロナウイルス(COVID-19)の診断のための緊急設定で実施される画像の量は、臨床用CXRの取得が広範囲に及んだ。 公開データセット内の臨床的に取得されたCXRの変動品質は、アルゴリズムのパフォーマンスに大きな影響を及ぼす可能性がある。 我々は、新型コロナウイルスの胸部X線データセットを前処理し、望ましくないバイアスを取り除くための、シンプルで効果的なステップワイズアプローチを提案する。
  論文  参考訳（メタデータ） (2022-08-22T13:57:04Z)
• COVID-Net CXR-S: Deep Convolutional Neural Network for Severity Assessment of COVID-19 Cases from Chest X-ray Images [74.77272804752306]
  胸部CXR画像に基づくSARS-CoV-2陽性患者の空間重症度を予測する畳み込みニューラルネットワークであるCOVID-Net CXR-Sについて紹介する。 患者15,000人以上の多国籍コホートから得られた16,000以上のCXR画像から得られた表現的知識を,重症度評価のためのカスタムネットワークアーキテクチャへ伝達する。 提案したCXR-Sは、新型コロナウイルス陽性患者のCXR画像のコンピュータ支援による重症度評価のための強力なツールとなる可能性がある。
  論文  参考訳（メタデータ） (2021-05-01T14:15:12Z)
• AIforCOVID: predicting the clinical outcomes in patients with COVID-19 applying AI to chest-X-rays. An Italian multicentre study [7.456548336226919]
  胸部X線(CXR)が集中治療や死亡などの重篤な結果の危険にさらされる患者の早期発見のための可能なツールとして使用できるかどうかを検討する。 CXRは、CT(Computed tomography)と比較して、より単純で、より速く、より広く、放射線線量を減らす放射線技術である。 2020年春にイタリアの6つの病院から820人の患者から収集されたデータを含むデータセットを提案する。
  論文  参考訳（メタデータ） (2020-12-11T18:03:08Z)
• MIA-Prognosis: A Deep Learning Framework to Predict Therapy Response [58.0291320452122]
  本稿では,患者の予後と治療反応を予測するための統合型深層学習手法を提案する。 我々は,マルチモーダル非同期時系列分類タスクとして,確率モデリングを定式化する。 我々の予測モデルは、長期生存の観点から、低リスク、高リスクの患者をさらに階層化する可能性がある。
  論文  参考訳（メタデータ） (2020-10-08T15:30:17Z)
• Integrative Analysis for COVID-19 Patient Outcome Prediction [53.11258640541513]
  我々は、集中治療室入院の必要性を予測するために、人口統計、バイタルサイン、実験室の所見から、肺不透明度の放射能と非画像の特徴を組み合わせる。 また, 地域性肺炎を含む他の肺疾患にも適用できるが, 地域性肺炎に限らない。
  論文  参考訳（メタデータ） (2020-07-20T19:08:50Z)
• AI-Driven CT-based quantification, staging and short-term outcome prediction of COVID-19 pneumonia [3.672093204122992]
  胸部CTはコロナウイルス感染症2019(COVID-19)肺炎の管理に広く用いられている。 CTは、新型コロナウイルス(COVID-19)肺の異常の程度を視覚的に評価することで予後に影響を及ぼす。
  論文  参考訳（メタデータ） (2020-04-20T12:24:08Z)

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。