論文の概要: Utility of Pancreas Surface Lobularity as a CT Biomarker for Opportunistic Screening of Type 2 Diabetes
- arxiv url: http://arxiv.org/abs/2511.10484v1
- Date: Fri, 14 Nov 2025 01:54:06 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-14 22:53:22.890623
- Title: Utility of Pancreas Surface Lobularity as a CT Biomarker for Opportunistic Screening of Type 2 Diabetes
- Title（参考訳）: 2型糖尿病検診におけるCTバイオマーカーとしての膵表面ロブラリティーの有用性
- Authors: Tejas Sudharshan Mathai, Anisa V. Prasad, Xinya Wang, Praveen T. S. Balamuralikrishna, Yan Zhuang, Abhinav Suri, Jianfei Liu, Perry J. Pickhardt, Ronald M. Summers,
- Abstract要約: 2型糖尿病 (Type 2 Diabetes Mellitus, T2DM) は、世界中の数百万人に影響を与える慢性代謝疾患である。
T2DM症例における膵表面葉状度(PSL)の増加について検討した。
本報告では, 膵などの腹部構造, CT画像バイオマーカー, T2DMの経時的スクリーニングを完全自動で行う方法を提案する。
- 参考スコア（独自算出の注目度）: 14.980881384922894
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Type 2 Diabetes Mellitus (T2DM) is a chronic metabolic disease that affects millions of people worldwide. Early detection is crucial as it can alter pancreas function through morphological changes and increased deposition of ectopic fat, eventually leading to organ damage. While studies have shown an association between T2DM and pancreas volume and fat content, the role of increased pancreatic surface lobularity (PSL) in patients with T2DM has not been fully investigated. In this pilot work, we propose a fully automated approach to delineate the pancreas and other abdominal structures, derive CT imaging biomarkers, and opportunistically screen for T2DM. Four deep learning-based models were used to segment the pancreas in an internal dataset of 584 patients (297 males, 437 non-diabetic, age: 45$\pm$15 years). PSL was automatically detected and it was higher for diabetic patients (p=0.01) at 4.26 $\pm$ 8.32 compared to 3.19 $\pm$ 3.62 for non-diabetic patients. The PancAP model achieved the highest Dice score of 0.79 $\pm$ 0.17 and lowest ASSD error of 1.94 $\pm$ 2.63 mm (p$<$0.05). For predicting T2DM, a multivariate model trained with CT biomarkers attained 0.90 AUC, 66.7\% sensitivity, and 91.9\% specificity. Our results suggest that PSL is useful for T2DM screening and could potentially help predict the early onset of T2DM.
- Abstract（参考訳）: 2型糖尿病 (Type 2 Diabetes Mellitus, T2DM) は、世界中の数百万人に影響を与える慢性代謝疾患である。
早期発見は、形態変化と異所性脂肪の沈着の増加によって膵機能を変化させ、最終的には臓器の損傷を引き起こすため、極めて重要である。
T2DMと膵容積と脂肪含量との関連性は研究されているが,T2DM患者における膵表面葉状度(PSL)の増加は十分には研究されていない。
本試験では, 膵などの腹部構造, CT画像バイオマーカー, T2DMの同時スクリーニングを完全自動で行う方法を提案する。
深層学習に基づく4つのモデルを用いて、膵臓を584人の患者の内部データセット(男性297人、非糖尿病437人、年齢45$\pm$15歳)に分類した。
PSLは自動的に検出され、糖尿病患者(p=0.01)は4.26ドル\pm$8.32であり、非糖尿病患者では3.19ドル\pm$3.62であった。
PancAPモデルは、Diceスコアが0.79$\pm$ 0.17、ASSDエラーが1.94$\pm$ 2.63 mm(p$<0.05)に達した。
T2DMを予測するために、CTバイオマーカーで訓練された多変量モデルが0.90 AUC、66.7\%感度、91.9\%特異性を達成した。
以上の結果から,PSLはT2DMスクリーニングに有用であり,T2DMの早期発症を予測できる可能性が示唆された。
関連論文リスト
- Early Prediction of Type 2 Diabetes Using Multimodal data and Tabular Transformers [1.2744523252873352]
我々は1,382名の被験者からなる振り返り型カタールバイオバンクでTabTransモデルを検証した。
提案したモデルの性能は,従来の機械学習(ML)と生成AIモデルに対して評価される。
このTabTransモデルでは, 予測性能が優れ, ROC AUC $geq$ 79.7% のT2DM予測が可能であった。
論文 参考訳（メタデータ） (2026-01-19T11:55:41Z) - Graph AI generates neurological hypotheses validated in molecular, organoid, and clinical systems [40.641407952995856]
本稿では,分子,オルガノイド,臨床システムにまたがる仮説を生成するグラフトランスフォーマーPROTONを提案する。
パーキンソン病では、PROTONはドパミン作動性ニューロンの生存に必要な遺伝子に遺伝子リスク座を関連付け、患者由来の神経細胞に有害な殺虫剤を予測した。
双極性障害では、PROTONはカルシトリオールをBD患者由来の皮質オルガノイドで観察されるプロテオミクス変化を逆転させる候補薬として予測した。
論文 参考訳（メタデータ） (2025-12-13T06:55:20Z) - Lifespan Pancreas Morphology for Control vs Type 2 Diabetes using AI on Largescale Clinical Imaging [5.9107739842523]
0歳から90歳までの形態計測で膵の大きさと形状を測定した。
我々の目標は、AIに基づく膵臓計測のための信頼性の高い臨床画像モダリティを特定し、基準的形態的加齢傾向を確立し、タイプ2糖尿病の潜在的な偏差を検出することである。
論文 参考訳（メタデータ） (2025-08-20T17:49:15Z) - Data-Driven Abdominal Phenotypes of Type 2 Diabetes in Lean, Overweight, and Obese Cohorts [5.508569823664517]
AIにより、大規模な3D臨床画像において、腹部構造からサイズ、形状、脂肪の詳細な測定を抽出できる。
これにより、2型糖尿病のリスクと防御に関連する体組成のシグネチャを経験的に定義する機会が生まれる。
以上の結果より,2型糖尿病の腹部ドライバは体重階級で一定である可能性が示唆された。
論文 参考訳（メタデータ） (2025-08-14T20:48:08Z) - Insulin Resistance Prediction From Wearables and Routine Blood Biomarkers [44.735350554750916]
われわれはインスリン抵抗性の研究のために、米国全土でこれまでで最大のデータセットをリモートで採用しました。
ディープニューラルネットワークモデルは、簡単に利用可能なデジタルバイオマーカーと血液バイオマーカーに基づいてインスリン抵抗を予測するために開発された。
モデルでは、肥満および妊娠中の被験者の93%の感度と95%の調整された特異性を示した。
論文 参考訳（メタデータ） (2025-04-30T16:10:20Z) - Finetuning and Quantization of EEG-Based Foundational BioSignal Models on ECG and PPG Data for Blood Pressure Estimation [46.36100528165335]
光胸腺撮影と心電図は、連続血圧モニタリング(BP)を可能にする可能性がある。
しかし、データ品質と患者固有の要因の変化のため、正確で堅牢な機械学習(ML)モデルは依然として困難である。
本研究では,1つのモータリティで事前学習したモデルを効果的に利用して,異なる信号タイプの精度を向上させる方法について検討する。
本手法は, 拡張期BPの最先端精度を約1.5倍に向上し, 拡張期BPの精度を1.5倍に向上させる。
論文 参考訳（メタデータ） (2025-02-10T13:33:12Z) - T2-Only Prostate Cancer Prediction by Meta-Learning from Bi-Parametric MR Imaging [39.64252838533947]
現在の画像に基づく前立腺癌の診断には、MR T2強調画像(T2w)と拡散強調画像(DWI)の両方が必要である。
DWI配列における拡散パターンの測定には時間がかかり、アーティファクトに傾向があり、イメージングパラメータに敏感である。
本研究では,T2wシーケンスのみを推論時間に用いた機械学習(ML)手法の可能性について検討した。
論文 参考訳（メタデータ） (2024-11-11T22:38:45Z) - SCPMan: Shape Context and Prior Constrained Multi-scale Attention
Network for Pancreatic Segmentation [39.70422146937986]
本稿では,頑健な膵分断のための形状コンテキストと事前制約を備えたマルチスケールアテンションネットワークを提案する。
我々のアーキテクチャは、ぼやけた境界に対する堅牢なセグメンテーション性能と、スケールと膵の形状の変化を提供する。
論文 参考訳（メタデータ） (2023-12-26T03:00:25Z) - Supervised Learning Models for Early Detection of Albuminuria Risk in
Type-2 Diabetes Mellitus Patients [0.0]
本研究の目的は,T2DM患者にアルブミン尿を発症するリスクを予測するための教師付き学習モデルを開発することである。
特徴として10の属性、目標として1の属性(アルブミン尿症)から構成される。
これはそれぞれ0.74と0.75の精度とf1スコアの値を達成し、T2DMの尿失調を予測するためのスクリーニングに適していた。
論文 参考訳（メタデータ） (2023-09-28T08:41:12Z) - Machine Learning-Based Diabetes Detection Using Photoplethysmography
Signal Features [0.0]
糖尿病は世界中で何百万人もの人々の健康を損なう慢性疾患である。
そこで本研究では,非侵襲性光胸腺撮影による糖尿病検出の問題点を克服する別の方法を提案する。
PPG信号とアルゴリズムを用いて非糖尿病患者と糖尿病患者を分類し,ロジスティック回帰とeXtreme Gradient Boostingを訓練した。
以上の結果から,糖尿病の検出・予防のための遠隔・非侵襲・連続計測装置の開発に機械学習が期待できることが示唆された。
論文 参考訳（メタデータ） (2023-08-02T14:10:03Z) - A novel solution of deep learning for enhanced support vector machine
for predicting the onset of type 2 diabetes [32.25039205521283]
本研究の目的は,2型糖尿病の発症予測に要する処理時間を改善しつつ,AUC(Area Under the Curve)測定値の精度と精度を向上させることである。
提案手法は平均精度86.31 %、平均AUC値は0.8270 %または82.70 %であり、処理は3.8ミリ秒改善されている。
論文 参考訳（メタデータ） (2022-08-05T18:15:40Z) - Instant automatic diagnosis of diabetic retinopathy [36.2143325805188]
OphtAIは、眼のラテラルを認識し、参照可能なDRを検出し、DR重症度を評価するために訓練された畳み込みニューラルネットワークのアンサンブルに依存している。
システムは164,660のスクリーニング手順から,733,848の画像のデータセットを用いて開発,検証した。
OphtAIは、FDAが認可している唯一のAIシステムよりも安全で高速で包括的だ。
論文 参考訳（メタデータ） (2019-06-12T08:34:57Z)
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。