論文の概要: SpiroLLM: Finetuning Pretrained LLMs to Understand Spirogram Time Series with Clinical Validation in COPD Reporting

• arxiv url: http://arxiv.org/abs/2507.16145v1
• Date: Tue, 22 Jul 2025 01:44:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-23 21:34:13.926747
• Title: SpiroLLM: Finetuning Pretrained LLMs to Understand Spirogram Time Series with Clinical Validation in COPD Reporting
• Title（参考訳）: SpiroLLM : COPDレポートにおける精査による呼吸筋電図の時系列観察
• Authors: Shuhao Mei, Yongchao Long, Shan Cao, Xiaobo Han, Shijia Geng, Jinbo Sun, Yuxi Zhou, Shenda Hong,
• Abstract要約: COPDは気流制限が持続する主要な慢性呼吸器疾患である。 COPD診断のための現在のAIモデルは、分類結果の出力に限られている。 スピロLLMは,スピログラムを理解可能な最初のマルチモーダル大言語モデルである。
• 参考スコア（独自算出の注目度）: 11.789239660318337
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Chronic Obstructive Pulmonary Disease (COPD), a major chronic respiratory disease with persistent airflow limitation, is a leading global cause of disability and mortality. Respiratory spirogram time series, routinely collected during pulmonary function tests (PFTs), play a critical role in the early detection of repsiratory diseases and in monitoring lung function over time. However, most current AI models for COPD diagnosis are limited to outputting classification results without providing a rationale for their diagnostic process, while current Large Language Models (LLMs) cannot understand spirograms yet, which severely limits their clinical trust and adoption. To tackle this challenge, we leverage a cohort of 234,028 individuals from the UK Biobank (UKB) to propose SpiroLLM, the first multimodal large language model that can understand spirogram. The model extracts morphological features from respiratory curves via a SpiroEncoder and aligns them with PFT numerical values in a unified latent space using a SpiroProjector, ultimately empowering a large language model to generate a comprehensive diagnostic report. Experimental results confirm that SpiroLLM achieved a diagnostic AUROC of 0.8980 (95% CI: 0.8820-0.9132). In a robustness test with missing core data, it maintained a 100% valid response rate, far surpassing the 13.4% of a text-only model and showcasing the superiority of its multimodal design. This work demonstrates the substantial potential of deeply fusing physiological signals with large language models, establishing a new paradigm for the next generation of interpretable and reliable clinical decision support tools.
• Abstract（参考訳）: 慢性閉塞性肺疾患(COPD, chronic Obstructive lung Disease, COPD)は, 慢性呼吸器疾患である。 肺機能検査(PFT)中に定期的に収集される呼吸性気腫時系列は、呼吸性疾患の早期発見や肺機能の経時的モニタリングにおいて重要な役割を担っている。 しかし、現在のPD診断のためのほとんどのAIモデルは、診断プロセスの合理性を提供することなく分類結果を出力することに限定され、一方、現在のLarge Language Models (LLM)は、まだスピログラムを理解できないため、臨床上の信頼と採用を著しく制限している。 この課題に対処するために、英国バイオバンク(UKB)の234,028人のコホートを利用して、スピロLLMを提案する。 このモデルはスピロエンコーダを介して呼吸曲線から形態的特徴を抽出し、スピロプロジェクタを用いて統合潜在空間内のPFT数値と整列し、最終的には大きな言語モデルに総合的な診断レポートを生成する。 実験の結果、SpiroLLMは0.8980(95% CI: 0.8820-0.9132)の診断AUROCを達成したことが確認された。 コアデータの欠如による堅牢性テストでは、100%有効な応答率を維持し、テキストのみのモデルの13.4%をはるかに上回り、マルチモーダル設計の優位性を示している。 この研究は、大きな言語モデルで生理学的シグナルを深く融合させる可能性を示し、次世代の解釈可能で信頼性の高い臨床診断支援ツールのための新しいパラダイムを確立する。

関連論文リスト

• Advancing Lung Disease Diagnosis in 3D CT Scans [19.844531606142496]
  我々は3次元CTスキャンの特徴を分析し,非肺領域を除去し,病変関連領域に焦点をあてることを支援する。 本モデルでは,Fair Disease Diagnosis Challengeの検証セットにおいて,マクロF1スコアの0.80を達成している。
  論文  参考訳（メタデータ） (2025-07-01T17:44:53Z)
• 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)
• Fast-staged CNN Model for Accurate pulmonary diseases and Lung cancer detection [0.0]
  本研究は, 肺がん, 特に肺結節の検出を目的とした深層学習モデルと, 胸部X線写真を用いた8つの肺病理組織について検討した。 アンサンブル法とトランスファーラーニングを利用した2段階分類システムを用いて,最初のトリアージ画像を正規あるいは異常に分類する。 このモデルでは、最高の性能の精度は77%、感度は0.713、特異度は0.776、AUCスコアは0.888である。
  論文  参考訳（メタデータ） (2024-12-16T11:47:07Z)
• Multilabel Classification for Lung Disease Detection: Integrating Deep Learning and Natural Language Processing [0.0]
  本稿では,多ラベル肺疾患分類のためのトランスファーラーニングモデルを提案する。 提案モデルはF1スコア0.69、AUROC0.86を達成し、臨床応用の可能性を示した。
  論文  参考訳（メタデータ） (2024-12-16T05:14:08Z)
• Towards Reliable and Explainable AI Model for Solid Pulmonary Nodule Diagnosis [20.510918720980467]
  肺がんは世界で最も死亡率が高い。 結節検出・診断において,放射線科医を支援するコンピュータ支援診断システム(CAD)が開発された。 モデル信頼性の欠如と解釈可能性の欠如は、その大規模臨床応用の大きな障害である。
  論文  参考訳（メタデータ） (2022-04-08T08:21:00Z)
• CoRSAI: A System for Robust Interpretation of CT Scans of COVID-19 Patients Using Deep Learning [133.87426554801252]
  我々は,深部畳み込み神経網のアンサンブルを用いた肺CTスキャンのセグメンテーションによるアプローチを採用した。 本モデルを用いて, 病変の分類, 患者の動態の評価, 病変による肺の相対体積の推定, 肺の損傷ステージの評価が可能となった。
  論文  参考訳（メタデータ） (2021-05-25T12:06:55Z)
• Development of a Multi-Task Learning V-Net for Pulmonary Lobar Segmentation on Computed Tomography and Application to Diseased Lungs [0.19573380763700707]
  疾患のある肺領域は、しばしばCT画像に高密度ゾーンを生成し、損傷した葉を特定するアルゴリズムの実行を制限する。 この影響は、肺葉を分節する機械学習手法の改善を動機づけた。 このアプローチは、放射線科医のロバストなツールとして臨床現場で容易に採用することができる。
  論文  参考訳（メタデータ） (2021-05-11T17:10:25Z)
• 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)
• M3Lung-Sys: A Deep Learning System for Multi-Class Lung Pneumonia Screening from CT Imaging [85.00066186644466]
  マルチタスク型マルチスライス深層学習システム(M3Lung-Sys)を提案する。 COVID-19とHealthy, H1N1, CAPとの鑑別に加えて, M3 Lung-Sysも関連病変の部位を特定できる。
  論文  参考訳（メタデータ） (2020-10-07T06:22:24Z)
• 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)
• Diagnosis of Coronavirus Disease 2019 (COVID-19) with Structured Latent Multi-View Representation Learning [48.05232274463484]
  最近、コロナウイルス病2019(COVID-19)の流行は世界中で急速に広まっている。 多くの患者と医師の重労働のために、機械学習アルゴリズムによるコンピュータ支援診断が緊急に必要である。 本研究では,CT画像から抽出した一連の特徴を用いて,COVID-19の診断を行うことを提案する。
  論文  参考訳（メタデータ） (2020-05-06T15:19:15Z)

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。