Fugu-MT 論文翻訳(概要): Radiological and Biological Dictionary of Radiomics Features: Addressing Understandable AI Issues in Personalized Breast Cancer; Dictionary Version BM1.0

論文の概要: Radiological and Biological Dictionary of Radiomics Features: Addressing Understandable AI Issues in Personalized Breast Cancer; Dictionary Version BM1.0

arxiv url: http://arxiv.org/abs/2507.16041v1
Date: Mon, 21 Jul 2025 20:17:20 GMT
ステータス: 翻訳完了
システム内更新日: 2025-07-23 21:34:13.876236
Title: Radiological and Biological Dictionary of Radiomics Features: Addressing Understandable AI Issues in Personalized Breast Cancer; Dictionary Version BM1.0
Title（参考訳）: 放射線学的・生物学的放射線学的特徴辞典 : パーソナライズされた乳癌における理解可能なAI問題への取り組み
Authors: Arman Gorji, Nima Sanati, Amir Hossein Pouria, Somayeh Sadat Mehrnia, Ilker Hacihaliloglu, Arman Rahmim, Mohammad R. Salmanpour,
Abstract要約: 放射線ベースのAIモデルは乳がんの診断を約束するが、解釈可能性に欠けることが多い。本研究では,放射線特徴量(RF)と標準BI-RADSレキシコンとのギャップに対処するための2次元フレームワークを提案する。
参考スコア（独自算出の注目度）: 0.895629264339744
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Radiomics-based AI models show promise for breast cancer diagnosis but often lack interpretability, limiting clinical adoption. This study addresses the gap between radiomic features (RF) and the standardized BI-RADS lexicon by proposing a dual-dictionary framework. First, a Clinically-Informed Feature Interpretation Dictionary (CIFID) was created by mapping 56 RFs to BI-RADS descriptors (shape, margin, internal enhancement) through literature and expert review. The framework was applied to classify triple-negative breast cancer (TNBC) versus non-TNBC using dynamic contrast-enhanced MRI from a multi-institutional cohort of 1,549 patients. We trained 27 machine learning classifiers with 27 feature selection methods. SHapley Additive exPlanations (SHAP) were used to interpret predictions and generate a complementary Data-Driven Feature Interpretation Dictionary (DDFID) for 52 additional RFs. The best model, combining Variance Inflation Factor (VIF) selection with Extra Trees Classifier, achieved an average cross-validation accuracy of 0.83. Key predictive RFs aligned with clinical knowledge: higher Sphericity (round/oval shape) and lower Busyness (more homogeneous enhancement) were associated with TNBC. The framework confirmed known imaging biomarkers and uncovered novel, interpretable associations. This dual-dictionary approach (BM1.0) enhances AI model transparency and supports the integration of RFs into routine breast cancer diagnosis and personalized care.
Abstract（参考訳）: 放射線ベースのAIモデルは乳がんの診断を約束するが、解釈可能性に欠け、臨床応用が制限されることが多い。本研究では, 放射能特性 (RF) と標準化されたBI-RADSレキシコンとのギャップを, 二重辞書フレームワークの提案により解決する。まず, 56個のRFをBI-RADS記述子(形状, マージン, 内部増強)に, 文献と専門家によるレビューを通じてマッピングすることにより, 臨床情報解釈辞書(CIFID)を作成した。 549例の多施設コホートから動的造影MRIを用いて,TNBCと非TNBCを分類した。 27種類の特徴抽出法を用いて27種類の機械学習分類器を訓練した。 SHAP(SHapley Additive exPlanations)は、予測を解釈し、52個の追加RFに対して補完的なデータ駆動特徴解釈辞書(DDFID)を生成する。 The best model, a variable inflation Factor (VIF) selection with Extra Trees Classifier, achieved a average cross-validation accuracy of 0.83。臨床知識に則った主要な予測RFは, 球状度(周/卵形)とBusyness(より均一な拡張)とTNBCが関連していた。このフレームワークは、既知のイメージングバイオマーカーと、未発見の、解釈可能な関連性を確認した。この二重辞書アプローチ(BM1.0)は、AIモデルの透明性を高め、通常の乳癌診断とパーソナライズドケアへのRFの統合をサポートする。

関連論文リスト

Interpretable Artificial Intelligence for Detecting Acute Heart Failure on Acute Chest CT Scans [2.2192473101240764]
胸部CT検査は、急性心不全(AHF)が重要な鑑別診断であるジスキニー病患者にますます用いられる。胸部CTにおけるAHFの放射線学的徴候を胸部X線検査に匹敵する精度で検出する,説明可能なAIモデルの開発を目指している。
論文参考訳（メタデータ） (2025-07-11T18:25:34Z)
Pathobiological Dictionary Defining Pathomics and Texture Features: Addressing Understandable AI Issues in Personalized Liver Cancer; Dictionary Version LCP1.0 [0.8586471543865036]
本研究は肝癌の病理組織学的辞書(LCP1.0)を紹介する。複雑な病的・放射線学的特徴(PFとRF)を臨床的に意味のある知見に翻訳するために設計されたフレームワークである。 AI出力と専門家の解釈の間に臨床的に検証されたブリッジを提供し、モデルの透明性とユーザビリティを高める。
論文参考訳（メタデータ） (2025-05-20T21:23:13Z)
RadAlign: Advancing Radiology Report Generation with Vision-Language Concept Alignment [10.67889367763112]
RadAlignは、視覚言語モデルの予測精度と大きな言語モデルの推論能力を組み合わせた、新しいフレームワークである。本フレームワークは, 幻覚の低減, 自動医用画像の進歩, 予測AIと生成AIの統合による報告分析を両立させながら, 強力な臨床解釈可能性を維持している。
論文参考訳（メタデータ） (2025-01-13T17:55:32Z)
Biological and Radiological Dictionary of Radiomics Features: Addressing Understandable AI Issues in Personalized Prostate Cancer; Dictionary Version PM1.0 [1.2200133485912512]
PI-RADSと関連するリスクファクターのための生物・放射線学的RFの標準化辞書を作成しました。そして、この辞書を使って、最良の予測モデルを解釈した。このアプローチは0.78の平均精度を達成し、単一シーケンス法を著しく上回った。
論文参考訳（メタデータ） (2024-12-14T20:55:31Z)
MGH Radiology Llama: A Llama 3 70B Model for Radiology [50.42811030970618]
本稿では,高度な放射線学に焦点を当てた大規模言語モデルMGH Radiology Llamaを提案する。 Llama 3 70Bモデルを使用して開発され、Radiology-GPTやRadiology-Llama2といった従来のドメイン固有モデルをベースにしている。従来の指標とGPT-4に基づく評価の両方を取り入れた評価では,汎用LLMよりも高い性能を示す。
論文参考訳（メタデータ） (2024-08-13T01:30:03Z)
Learning a Clinically-Relevant Concept Bottleneck for Lesion Detection in Breast Ultrasound [0.0]
本稿では,米国放射線学大学乳房画像・報告データシステム(BI-RADS)の標準語彙を用いた解釈可能な予測を提供する説明可能なAIモデルを提案する。このモデルは、BI-RADSの既知の特徴が最終的ながん分類の前に予測される概念ボトルネック層を特徴とするディープニューラルネットワークである。
論文参考訳（メタデータ） (2024-06-29T00:44:33Z)
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)
Radiology-Llama2: Best-in-Class Large Language Model for Radiology [71.27700230067168]
本稿では,ラジオロジーに特化した大規模言語モデルであるRadiology-Llama2を紹介する。 MIMIC-CXRとOpenIデータセットのROUGEメトリクスを用いた定量的評価は、Radiology-Llama2が最先端のパフォーマンスを達成することを示す。
論文参考訳（メタデータ） (2023-08-29T17:44:28Z)
Medical Image Captioning via Generative Pretrained Transformers [57.308920993032274]
我々は、Show-Attend-Tell と GPT-3 という2つの言語モデルを組み合わせて、包括的で記述的な放射線学記録を生成する。提案モデルは、Open-I、MIMIC-CXR、汎用MS-COCOの2つの医療データセットで検証される。
論文参考訳（メタデータ） (2022-09-28T10:27:10Z)
BI-RADS-Net: An Explainable Multitask Learning Approach for Cancer Diagnosis in Breast Ultrasound Images [69.41441138140895]
本稿では,乳房超音波画像における癌検出のための新しい深層学習手法であるBI-RADS-Netを紹介する。提案手法は, 臨床診断に関連する特徴表現を学習することにより, 乳腺腫瘍の説明と分類を行うタスクを取り入れたものである。臨床医が医療現場で診断・報告するために使用する形態学的特徴の観点から予測(良性または悪性)の説明が提供される。
論文参考訳（メタデータ） (2021-10-05T19:14:46Z)
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。