論文の概要: ProstNFound+: A Prospective Study using Medical Foundation Models for Prostate Cancer Detection
- arxiv url: http://arxiv.org/abs/2510.26703v1
- Date: Thu, 30 Oct 2025 17:07:04 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-31 16:05:09.92148
- Title: ProstNFound+: A Prospective Study using Medical Foundation Models for Prostate Cancer Detection
- Title（参考訳）: ProstNFound+:前立腺癌検出のための医療基礎モデルを用いた前向き研究
- Authors: Paul F. R. Wilson, Mohamed Harmanani, Minh Nguyen Nhat To, Amoon Jamzad, Tarek Elghareb, Zhuoxin Guo, Adam Kinnaird, Brian Wodlinger, Purang Abolmaesumi, Parvin Mousavi,
- Abstract要約: ProstNFound+はマイクロ超音波(muUS)からのPCa検出のための医療基礎モデルの適応である
このモデルは、臨床的に重要なPCaに対する癌熱マップとリスクスコアを生成する。
これは、予測データに対して強力な一般化を示し、振り返り評価と比べてパフォーマンスが劣化しない。
- 参考スコア（独自算出の注目度）: 3.646378085266523
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Purpose: Medical foundation models (FMs) offer a path to build high-performance diagnostic systems. However, their application to prostate cancer (PCa) detection from micro-ultrasound ({\mu}US) remains untested in clinical settings. We present ProstNFound+, an adaptation of FMs for PCa detection from {\mu}US, along with its first prospective validation. Methods: ProstNFound+ incorporates a medical FM, adapter tuning, and a custom prompt encoder that embeds PCa-specific clinical biomarkers. The model generates a cancer heatmap and a risk score for clinically significant PCa. Following training on multi-center retrospective data, the model is prospectively evaluated on data acquired five years later from a new clinical site. Model predictions are benchmarked against standard clinical scoring protocols (PRI-MUS and PI-RADS). Results: ProstNFound+ shows strong generalization to the prospective data, with no performance degradation compared to retrospective evaluation. It aligns closely with clinical scores and produces interpretable heatmaps consistent with biopsy-confirmed lesions. Conclusion: The results highlight its potential for clinical deployment, offering a scalable and interpretable alternative to expert-driven protocols.
- Abstract（参考訳）: 目的: 医療基礎モデル(FM)は, 高性能診断システムを構築するための経路を提供する。
しかし, マイクロ超音波({\mu}US)による前立腺癌(PCa)検出への応用は, 臨床現場では確認されていない。
本稿では,PCa検出のためのFMの適応であるProstNFound+と,その初回検証について述べる。
方法: ProstNFound+には医療用FM、アダプタチューニング、PCa固有の臨床バイオマーカーを埋め込んだカスタムプロンプトエンコーダが組み込まれている。
このモデルは、臨床的に重要なPCaに対する癌熱マップとリスクスコアを生成する。
マルチセンターの振り返りデータをトレーニングした後、新しい臨床現場から5年後に得られたデータに基づいて、そのモデルを前向きに評価する。
モデル予測は、標準的な臨床スコアリングプロトコル(PRI-MUSとPI-RADS)に対してベンチマークされる。
結果: ProstNFound+は予測データに対して強い一般化を示し, 反省評価に比べ, 性能劣化は認められなかった。
臨床スコアと密接に一致し、生検で確認された病変と一致する解釈可能なヒートマップを生成する。
結論: 結果は、専門家主導のプロトコルに代わるスケーラブルで解釈可能な代替手段を提供する、臨床展開の可能性を強調します。
関連論文リスト
- PathBench: A comprehensive comparison benchmark for pathology foundation models towards precision oncology [33.51485504161335]
病理基盤モデル(PFM)の最初の包括的なベンチマークであるPathBenchを紹介する。
我々のフレームワークは大規模データを組み込んで,PFMの客観的比較を可能にする。
当院では10病院で8,549人の患者から15,888件のWSIを収集し,64件以上の診断・予後調査を行った。
論文 参考訳（メタデータ） (2025-05-26T16:42:22Z) - Prediction of Lung Metastasis from Hepatocellular Carcinoma using the SEER Database [0.9055332067000195]
肝細胞癌(HCC)は、がん関連死亡の原因である。
HCCにおける肺転移の予測モデルは、範囲と臨床応用性に限られている。
本研究では,Surveillance, Epidemiology, End Results (SEER)データベースのデータを用いて,エンドツーエンドの機械学習パイプラインの開発と検証を行う。
論文 参考訳（メタデータ） (2025-01-20T20:06:31Z) - Exploring Zero-Shot Anomaly Detection with CLIP in Medical Imaging: Are We There Yet? [0.0]
CLIPをベースとした脳腫瘍検出モデルの評価を行った。
これらのモデルでは、一般的な知識を医療タスクに移すことが約束されているが、臨床応用に必要な精度には達していない。
論文 参考訳（メタデータ） (2024-11-14T09:38:29Z) - Enhanced Cascade Prostate Cancer Classifier in mp-MRI Utilizing Recall Feedback Adaptive Loss and Prior Knowledge-Based Feature Extraction [4.00189087655119]
本稿では, 先行知識を取り入れ, 不均一な医用サンプル分布の問題に対処し, mpMRIにおける高い解釈可能性を維持するソリューションを提案する。
まず,前立腺癌に対するPI-RADS基準をモデルトレーニングの診断情報として数学的にモデル化する,事前知識に基づく特徴抽出手法を提案する。
次に、極めて不均衡なデータ問題に対処するため、適応的リコールフィードバック損失を提案する。
第3に、前立腺癌を解釈可能な方法で異なるレベルに分類する拡張前立腺癌を設計する。
論文 参考訳（メタデータ） (2024-08-19T07:18:06Z) - Cancer-Net PCa-Data: An Open-Source Benchmark Dataset for Prostate
Cancer Clinical Decision Support using Synthetic Correlated Diffusion Imaging
Data [75.77035221531261]
Cancer-Net PCa-Dataは、PCa患者の画像データであるボリュームCDI$s$のオープンソースベンチマークデータセットである。
Cancer-Net PCa-Dataは、PCa用のCDI$s$画像データの最初の公開データセットである。
論文 参考訳（メタデータ） (2023-11-20T10:28:52Z) - This Patient Looks Like That Patient: Prototypical Networks for
Interpretable Diagnosis Prediction from Clinical Text [56.32427751440426]
臨床実践においては、そのようなモデルは正確であるだけでなく、医師に解釈可能で有益な結果を与える必要がある。
本稿では,プロトタイプネットワークに基づく新しい手法であるProtoPatientを紹介する。
利用可能な2つの臨床データセット上でモデルを評価し、既存のベースラインよりも優れていることを示す。
論文 参考訳（メタデータ） (2022-10-16T10:12:07Z) - G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for
Biomarker Identification and Disease Classification [49.53651166356737]
診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。
2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
論文 参考訳（メタデータ） (2021-01-27T19:28:04Z) - Ensemble model for pre-discharge icd10 coding prediction [45.82374977939355]
正確なコード予測のための複数の臨床データソースを組み込んだアンサンブルモデルを提案する。
平均精度は0.73および0.58、F1スコアは0.56および0.35、患者および外来データセットの主診断予測では0.71および0.4のマルチラベル分類精度を得る。
論文 参考訳（メタデータ） (2020-12-16T07:02:56Z) - Deep learning in magnetic resonance prostate segmentation: A review and
a new perspective [4.453410156617238]
MR前立腺セグメンテーションにおける最先端のディープラーニングアルゴリズムについて概説する。
その限界と強みを議論することで、この分野に洞察を与えます。
MR前立腺セグメンテーションのための最適化された2次元U-Netを提案する。
論文 参考訳（メタデータ） (2020-11-16T08:58:38Z) - 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) - Hemogram Data as a Tool for Decision-making in COVID-19 Management:
Applications to Resource Scarcity Scenarios [62.997667081978825]
新型コロナウイルス(COVID-19)のパンデミックは世界中の緊急対応システムに挑戦している。
本研究は, 症状患者の血液検査データから得られた機械学習モデルについて述べる。
提案されたモデルでは、新型コロナウイルスqRT-PCRの結果を、高い精度、感度、特異性で症状のある個人に予測することができる。
論文 参考訳（メタデータ） (2020-05-10T01:45:03Z)
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。