論文の概要: Explainable Cross-Disease Reasoning for Cardiovascular Risk Assessment from LDCT

• arxiv url: http://arxiv.org/abs/2511.06625v2
• Date: Fri, 14 Nov 2025 01:49:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-14 13:23:30.516159
• Title: Explainable Cross-Disease Reasoning for Cardiovascular Risk Assessment from LDCT
• Title（参考訳）: LDCTによる心血管性リスク評価のための説明可能なクロスリリース推論
• Authors: Yifei Zhang, Jiashuo Zhang, Mojtaba Safari, Xiaofeng Yang, Liang Zhao,
• Abstract要約: 低用量胸部CT(LDCT)は本質的に肺と心臓の両方の構造を捉えている。 本稿では,LDCTスキャンによる心肺リスクの解釈を可能にする,説明可能なクロスディスリーズ推論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）: 15.909895082904804
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Low-dose chest computed tomography (LDCT) inherently captures both pulmonary and cardiac structures, offering a unique opportunity for joint assessment of lung and cardiovascular health. However, most existing approaches treat these domains as independent tasks, overlooking their physiological interplay and shared imaging biomarkers. We propose an Explainable Cross-Disease Reasoning Framework that enables interpretable cardiopulmonary risk assessment from a single LDCT scan. The framework introduces an agentic reasoning process that emulates clinical diagnostic thinking-first perceiving pulmonary findings, then reasoning through established medical knowledge, and finally deriving a cardiovascular judgment with explanatory rationale. It integrates three synergistic components: a pulmonary perception module that summarizes lung abnormalities, a knowledge-guided reasoning module that infers their cardiovascular implications, and a cardiac representation module that encodes structural biomarkers. Their outputs are fused to produce a holistic cardiovascular risk prediction that is both accurate and physiologically grounded. Experiments on the NLST cohort demonstrate that the proposed framework achieves state-of-the-art performance for CVD screening and mortality prediction, outperforming single-disease and purely image-based baselines. Beyond quantitative gains, the framework provides human-verifiable reasoning that aligns with cardiological understanding, revealing coherent links between pulmonary abnormalities and cardiac stress mechanisms. Overall, this work establishes a unified and explainable paradigm for cardiovascular analysis from LDCT, bridging the gap between image-based prediction and mechanism-based medical interpretation.
• Abstract（参考訳）: 低用量胸部CT(LDCT)は本質的に肺と心の構造を捉えており、肺と心血管の健康を共同で評価する機会となっている。 しかし、既存のほとんどのアプローチはこれらのドメインを独立したタスクとして扱い、生理的相互作用を見下ろし、画像バイオマーカーを共有している。 本稿では,LDCTスキャンによる心肺リスクの解釈を可能にする,説明可能なクロスディスリーズ推論フレームワークを提案する。 この枠組みは、臨床診断的思考を最初に知覚する肺所見をエミュレートし、確立された医療知識を通じて推論し、最後に説明的合理的な心血管判断を導出する薬剤的推論プロセスを導入する。 肺の異常を要約する肺知覚モジュール、心血管への影響を推測する知識誘導推論モジュール、構造的バイオマーカーをコードする心臓表現モジュールの3つの相乗的要素を統合している。 彼らの出力は、正確かつ生理学的に根拠づけられた総合的な心血管のリスク予測を生成するために融合される。 NLSTコホートを用いた実験により,CVDスクリーニングおよび死亡予測の最先端性能,単分解能,純画像ベースラインよりも優れた性能が得られた。 定量的な利得の他に、このフレームワークは、肺の異常と心臓のストレス機構との間のコヒーレントなリンクを明らかにする、心的理解と整合する人間の検証可能な推論を提供する。 本研究は、画像に基づく予測とメカニズムに基づく医療解釈のギャップを埋め、LDCTからの循環器解析のための統一的で説明可能なパラダイムを確立する。

関連論文リスト

• LGE-Guided Cross-Modality Contrastive Learning for Gadolinium-Free Cardiomyopathy Screening in Cine CMR [51.11296719862485]
  CMRを用いたガドリニウムフリー心筋症スクリーニングのためのコントラシブラーニングおよびクロスモーダルアライメントフレームワークを提案する。 CMRとLate Gadolinium Enhancement (LGE) 配列の潜伏空間を整列させることにより, 本モデルでは線維症特異的な病理組織をCMR埋め込みにエンコードする。
  論文  参考訳（メタデータ） (2025-08-23T07:21:23Z)
• MOSCARD -- Causal Reasoning and De-confounding for Multimodal Opportunistic Screening of Cardiovascular Adverse Events [3.206697649226124]
  MACE(Major Adverse Cardiovascular Events)は、2021年のGlobal Disease Studyで報告された、世界の死亡率の主要な原因である。 機会論的スクリーニングは、定期的な健康チェックから収集されたデータを活用し、マルチモーダルデータはリスクのある個人を特定する上で重要な役割を果たす。 そこで我々は,MOSCARD(MOSCARD, Multimodal causal reasoning with co-attention)という新たな予測モデリングフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-06-23T22:28:37Z)
• Towards Cardiac MRI Foundation Models: Comprehensive Visual-Tabular Representations for Whole-Heart Assessment and Beyond [32.1161393835796]
  ViTaは、短軸長軸ビューから3D+Tスタックを統合することで、心臓循環を完全に捉えることができる。 このマルチモーダルパラダイムは、心臓表現型や生理的特徴予測など、幅広い下流タスクをサポートする。 リッチな画像特徴と患者コンテキストを橋渡しする共有潜在表現を学習することで、ViTaは従来のタスク固有のモデルを超えることができる。
  論文  参考訳（メタデータ） (2025-04-17T15:46:19Z)
• Penalized Deep Partially Linear Cox Models with Application to CT Scans of Lung Cancer Patients [42.09584755334577]
  肺がんは世界中のがん死亡の原因であり、効果的な治療法を設計するための死亡リスクを理解することの重要性を強調している。 NLST(National Lung Screening Trial)は、肺がん患者の死亡リスクを定量化するために、CTテクスチャ解析を用いている。 本稿では,SCADペナルティを組み込んで重要なテクスチャ特徴を抽出し,深層ニューラルネットワークを用いてモデルの非パラメトリック成分を推定する,Pentalized Deep partially Linear Cox Model (Penalized DPLC)を提案する。
  論文  参考訳（メタデータ） (2023-03-09T15:38:16Z)
• Three-dimensional micro-structurally informed in silico myocardium -- towards virtual imaging trials in cardiac diffusion weighted MRI [58.484353709077034]
  本稿では,心筋微細構造の数値ファントムを現実的に生成する新しい手法を提案する。 シリコン組織モデルにより、磁気共鳴イメージングの定量的モデルを評価することができる。
  論文  参考訳（メタデータ） (2022-08-22T22:01:44Z)
• MyoPS: A Benchmark of Myocardial Pathology Segmentation Combining Three-Sequence Cardiac Magnetic Resonance Images [84.02849948202116]
  本研究は,MyoPS(MyoPS)の医療画像解析における新たな課題を定義するものである。 myoPSは、MICCAI 2020とともにMyoPSチャレンジで最初に提案された3シーケンスの心臓磁気共鳴(CMR)画像を組み合わせている。 この課題は45対のCMR画像と予め整列されたCMR画像を提供し、アルゴリズムは3つのCMRシーケンスから補完的な情報を結合して病理領域を分割することを可能にする。
  論文  参考訳（メタデータ） (2022-01-10T06:37:23Z)
• 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)
• Fibrosis-Net: A Tailored Deep Convolutional Neural Network Design for Prediction of Pulmonary Fibrosis Progression from Chest CT Images [59.622239796473885]
  肺線維症は、回復不能な肺組織スカーリングおよび損傷を引き起こす慢性肺疾患であり、肺容量の進行的減少と既知の治療法がない。 胸部CT画像からの肺線維化進展の予測に適した深部畳み込みニューラルネットワークであるFibrosis-Netを導入する。
  論文  参考訳（メタデータ） (2021-03-06T02:16:41Z)

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。