論文の概要: Deep Learning-Based Computer Vision Models for Early Cancer Detection Using Multimodal Medical Imaging and Radiogenomic Integration Frameworks

• arxiv url: http://arxiv.org/abs/2512.00714v1
• Date: Sun, 30 Nov 2025 03:28:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-02 19:46:34.377042
• Title: Deep Learning-Based Computer Vision Models for Early Cancer Detection Using Multimodal Medical Imaging and Radiogenomic Integration Frameworks
• Title（参考訳）: マルチモーダル・メディカルイメージングとラジオゲノミクス統合フレームワークを用いた早期がん検出のための深層学習型コンピュータビジョンモデル
• Authors: Emmanuella Avwerosuoghene Oghenekaro,
• Abstract要約: がんの早期発見は現代医療における最も重要な課題の1つだ。 近年の人工知能の進歩、特にディープラーニングは、医療画像解析の変革的な進歩を可能にしている。 深層学習に基づくコンピュータビジョンモデルは、マルチモーダルイメージングデータから複雑な空間的、形態的、時間的パターンを自動的に抽出することができる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Early cancer detection remains one of the most critical challenges in modern healthcare, where delayed diagnosis significantly reduces survival outcomes. Recent advancements in artificial intelligence, particularly deep learning, have enabled transformative progress in medical imaging analysis. Deep learning-based computer vision models, such as convolutional neural networks (CNNs), transformers, and hybrid attention architectures, can automatically extract complex spatial, morphological, and temporal patterns from multimodal imaging data including MRI, CT, PET, mammography, histopathology, and ultrasound. These models surpass traditional radiological assessment by identifying subtle tissue abnormalities and tumor microenvironment variations invisible to the human eye. At a broader scale, the integration of multimodal imaging with radiogenomics linking quantitative imaging features with genomics, transcriptomics, and epigenetic biomarkers has introduced a new paradigm for personalized oncology. This radiogenomic fusion allows the prediction of tumor genotype, immune response, molecular subtypes, and treatment resistance without invasive biopsies.
• Abstract（参考訳）: 早期がん検出は現代医療における最も重要な課題の1つであり、診断の遅れは生存率を大幅に低下させる。 近年の人工知能の進歩、特にディープラーニングは、医療画像解析の変革的な進歩を可能にしている。 畳み込みニューラルネットワーク(CNN)やトランスフォーマー、ハイブリッドアテンションアーキテクチャといったディープラーニングベースのコンピュータビジョンモデルは、MRI、CT、PET、マンモグラフィー、病理組織学、超音波などのマルチモーダルイメージングデータから、複雑な空間的、形態的、時間的パターンを自動的に抽出することができる。 これらのモデルは、人間の目に見えない微妙な組織異常と腫瘍の微小環境変化を特定することによって、従来の放射線学的評価を超越している。 より広範に、定量的イメージング特徴とゲノム学、転写学、エピジェネティックバイオマーカーをリンクする放射線ゲノム学とマルチモーダルイメージングの統合により、パーソナライズされた腫瘍学の新しいパラダイムが導入された。 この放射線ゲノム融合は、浸潤生検なしで腫瘍の遺伝子型、免疫応答、分子サブタイプ、治療抵抗の予測を可能にする。

関連論文リスト

• Intelligent Histology for Tumor Neurosurgery [12.480562493406904]
  知能組織学は人工知能(AI)と刺激されたラマン組織学(SRH)を統合する SRHは、外科標本の高解像度デジタル画像を数秒で生成し、AIによる腫瘍組織学的分析、分子分類、腫瘍浸潤検出を可能にする。 将来的な方向性としては、多施設データセットによるAI基盤モデルの開発、マルチモーダル学習のための臨床および放射線学的データの統合、患者結果の予測などがある。
  論文  参考訳（メタデータ） (2025-07-03T03:45:09Z)
• Pathology-genomic fusion via biologically informed cross-modality graph learning for survival analysis [7.996257103473235]
  そこで我々は,全スライド画像(WSI)とバルクRNA-Seq発現データと異種グラフニューラルネットワークを統合したPGHG(Pathology-Genome Heterogeneous Graph)を提案する。 PGHGは生物学的知識誘導表現学習ネットワークと病理ゲノム不均一グラフから構成される。 腫瘍ゲノムアトラスの低悪性度グリオーマ,グリオーマ,腎乳頭状細胞癌データセットについて検討した。
  論文  参考訳（メタデータ） (2024-04-11T09:07:40Z)
• Detecting Brain Tumors through Multimodal Neural Networks [0.0]
  本研究の目的は、グレースケール画像として処理されたMRIスキャンの分類のためのマルチモーダルモデルの性能を評価することである。 結果は有望であり、モデルが約98%の精度に達すると、同様の結果が得られる。
  論文  参考訳（メタデータ） (2024-01-10T13:06:52Z)
• Style transfer between Microscopy and Magnetic Resonance Imaging via Generative Adversarial Network in small sample size settings [45.62331048595689]
  磁気共鳴イメージング(MRI)のクロスモーダル増強と、同じ組織サンプルに基づく顕微鏡イメージングが期待できる。 コンディショナル・ジェネレーティブ・ディベサール・ネットワーク(cGAN)アーキテクチャを用いて,ヒト・コーパス・カロサムのMRI画像から顕微鏡組織像を生成する方法を検討した。
  論文  参考訳（メタデータ） (2023-10-16T13:58:53Z)
• Artificial-intelligence-based molecular classification of diffuse gliomas using rapid, label-free optical imaging [59.79875531898648]
  DeepGliomaは人工知能に基づく診断スクリーニングシステムである。 ディープグリオーマは、世界保健機関が成人型びまん性グリオーマ分類を定義するために使用する分子変化を予測することができる。
  論文  参考訳（メタデータ） (2023-03-23T18:50:18Z)
• Multi-modal learning for predicting the genotype of glioma [14.93152817415408]
  Isocitrate dehydrogenase (IDH)遺伝子変異はグリオーマの診断と予後に必須なバイオマーカーである。 焦点腫瘍像と幾何学的特徴をMRIから派生した脳ネットワーク特徴と統合することにより、グリオーマ遺伝子型をより正確に予測できることが期待されている。 本稿では,3つのエンコーダを用いたマルチモーダル学習フレームワークを提案し,局所腫瘍像,腫瘍幾何学,大域脳ネットワークの特徴を抽出する。
  論文  参考訳（メタデータ） (2022-03-21T10:20:04Z)
• Learned super resolution ultrasound for improved breast lesion characterization [52.77024349608834]
  超高分解能超音波局在顕微鏡は毛細血管レベルでの微小血管のイメージングを可能にする。 この作業では、これらの課題に対処するために、信号構造を効果的に活用するディープニューラルネットワークアーキテクチャを使用します。 トレーニングしたネットワークを利用することで,従来のPSF知識を必要とせず,UCAの分離性も必要とせず,短時間で微小血管構造を復元する。
  論文  参考訳（メタデータ） (2021-07-12T09:04:20Z)
• Spectral-Spatial Recurrent-Convolutional Networks for In-Vivo Hyperspectral Tumor Type Classification [49.32653090178743]
  ハイパースペクトル画像とディープラーニングを用いたin-vivo腫瘍型分類の可能性を示した。 我々の最良のモデルは76.3%のAUCを達成し、従来の学習手法とディープラーニング手法を著しく上回っている。
  論文  参考訳（メタデータ） (2020-07-02T12:00:53Z)

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。