論文の概要: CARDIUM: Congenital Anomaly Recognition with Diagnostic Images and Unified Medical records

• arxiv url: http://arxiv.org/abs/2510.15208v2
• Date: Mon, 20 Oct 2025 01:19:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 00:56:38.704787
• Title: CARDIUM: Congenital Anomaly Recognition with Diagnostic Images and Unified Medical records
• Title（参考訳）: カルディウム : 診断画像と統一医療記録を用いた先天性異常診断
• Authors: Daniela Vega, Hannah V. Ceballos, Javier S. Vera, Santiago Rodriguez, Alejandra Perez, Angela Castillo, Maria Escobar, Dario Londoño, Luis A. Sarmiento, Camila I. Castro, Nadiezhda Rodriguez, Juan C. Briceño, Pablo Arbeláez,
• Abstract要約: 先天性心疾患(CHD)の出生前診断は、人工知能(AI)による解決策に大きな可能性を秘めている。 心臓データセットは、胎児超音波と心エコー画像と、出生前CHD検出のための母体臨床記録を統合した、初めて公開されたマルチモーダルデータセットである。
• 参考スコア（独自算出の注目度）: 30.96806728675348
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Prenatal diagnosis of Congenital Heart Diseases (CHDs) holds great potential for Artificial Intelligence (AI)-driven solutions. However, collecting high-quality diagnostic data remains difficult due to the rarity of these conditions, resulting in imbalanced and low-quality datasets that hinder model performance. Moreover, no public efforts have been made to integrate multiple sources of information, such as imaging and clinical data, further limiting the ability of AI models to support and enhance clinical decision-making. To overcome these challenges, we introduce the Congenital Anomaly Recognition with Diagnostic Images and Unified Medical records (CARDIUM) dataset, the first publicly available multimodal dataset consolidating fetal ultrasound and echocardiographic images along with maternal clinical records for prenatal CHD detection. Furthermore, we propose a robust multimodal transformer architecture that incorporates a cross-attention mechanism to fuse feature representations from image and tabular data, improving CHD detection by 11% and 50% over image and tabular single-modality approaches, respectively, and achieving an F1 score of 79.8 $\pm$ 4.8% in the CARDIUM dataset. We will publicly release our dataset and code to encourage further research on this unexplored field. Our dataset and code are available at https://github.com/BCV-Uniandes/Cardium, and at the project website https://bcv-uniandes.github.io/CardiumPage/
• Abstract（参考訳）: 先天性心疾患(CHD)の出生前診断は、人工知能(AI)による解決策に大きな可能性を秘めている。 しかし、これらの条件の希少さのため、高品質な診断データの収集は依然として困難であり、結果としてモデルの性能を損なう不均衡で低品質なデータセットが得られる。 さらに、画像や臨床データなどの複数の情報ソースを統合するための公的な努力は行われていない。 これらの課題を克服するために、胎児超音波と心エコー画像を統合し、出生前CHD検出のための母体臨床記録を統合した、初めて公開されたマルチモーダルデータセットであるCARDiumデータセット(Congenital Anomaly Recognition with Diagnostic Images and Unified Medical Records)を導入する。 さらに、画像と表データから特徴表現を融合するクロスアテンション機構を組み込んだ頑健なマルチモーダルトランスフォーマーアーキテクチャを提案し、画像と表の単一モダリティアプローチでそれぞれ11%と50%のCHD検出を改善し、CARDIUMデータセットで79.8$\pm$4.8%のF1スコアを達成する。 我々は、この未調査分野に関するさらなる研究を促進するために、データセットとコードを公開します。 私たちのデータセットとコードはhttps://github.com/BCV-Uniandes/Cardium、プロジェクトのWebサイトhttps://bcv-uniandes.github.io/CardiumPage/で利用可能です。

関連論文リスト

• Epistemic-aware Vision-Language Foundation Model for Fetal Ultrasound Interpretation [83.02147613524032]
  医療用AIシステムFetalMindについて報告する。 本稿では、専門家による2部グラフをモデルに注入し、ビュー・ディスリーズ関連を分離するSED(Salient Epistemic Disentanglement)を提案する。 FetalMindはすべての妊娠期のオープンソースおよびクローズドソースベースラインを上回り、平均利得は+14%、臨界条件では+61.2%高い。
  論文  参考訳（メタデータ） (2025-10-14T19:57:03Z)
• A Fully Open and Generalizable Foundation Model for Ultrasound Clinical Applications [77.3888788549565]
  一般臨床用超音波基礎モデルであるEchoCareについて紹介する。 我々は、キュレートされた、一般公開された大規模なデータセットであるEchoCareData上で、自己教師付き学習を通じてEchoCareを開発した。 最小限のトレーニングで、EchoCareは10の代表的なベンチマークで最先端の比較モデルを上回っている。
  論文  参考訳（メタデータ） (2025-09-15T10:05:31Z)
• HyperFusion: A Hypernetwork Approach to Multimodal Integration of Tabular and Medical Imaging Data for Predictive Modeling [4.44283662576491]
  EHRの値と測定値に画像処理を条件付け,臨床画像と表層データを融合させるハイパーネットワークに基づく新しいフレームワークを提案する。 このアプローチは、これらのモダリティに存在する相補的な情報を活用し、様々な医療応用の精度を高めることを目的としている。
  論文  参考訳（メタデータ） (2024-03-20T05:50:04Z)
• 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)
• RadFusion: Benchmarking Performance and Fairness for Multimodal Pulmonary Embolism Detection from CT and EHR [14.586822005217485]
  肺塞栓症と診断されたEHRデータとCTを併用した1794例のベンチマークデータセットであるRadFusionを報告する。 以上の結果から,画像とEHRデータの統合により,集団間での正の正の比率に大きな差が生じることなく,分類性能が向上することが示唆された。
  論文  参考訳（メタデータ） (2021-11-23T06:10:07Z)
• Generative Residual Attention Network for Disease Detection [51.60842580044539]
  本稿では, 条件付き生成逆学習を用いたX線疾患発生のための新しいアプローチを提案する。 我々は,患者の身元を保存しながら,対象領域に対応する放射線画像を生成する。 次に、ターゲット領域で生成されたX線画像を用いてトレーニングを増強し、検出性能を向上させる。
  論文  参考訳（メタデータ） (2021-10-25T14:15:57Z)
• 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。