論文の概要: Diagnostic Performance of Universal-Learning Ultrasound AI Across Multiple Organs and Tasks: the UUSIC25 Challenge
- arxiv url: http://arxiv.org/abs/2512.17279v1
- Date: Fri, 19 Dec 2025 06:54:30 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-12-22 19:25:54.274132
- Title: Diagnostic Performance of Universal-Learning Ultrasound AI Across Multiple Organs and Tasks: the UUSIC25 Challenge
- Title（参考訳）: ユニバーサル学習型超音波AIの複数の臓器・課題における診断性能:UUSIC25チャレンジ
- Authors: Zehui Lin, Luyi Han, Xin Wang, Ying Zhou, Yanming Zhang, Tianyu Zhang, Lingyun Bao, Shandong Wu, Dong Xu, Tao Tan, the UUSIC25 Challenge Consortium,
- Abstract要約: 現在の超音波AIは、シングルタスクツールに断片化されている。
汎用AIモデルは、単一のアーキテクチャを使用して複数のタスクにわたって高い精度と効率を達成する。
- 参考スコア（独自算出の注目度）: 34.86849736082012
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: IMPORTANCE: Current ultrasound AI remains fragmented into single-task tools, limiting clinical utility compared to versatile modern ultrasound systems. OBJECTIVE: To evaluate the diagnostic accuracy and efficiency of single general-purpose deep learning models for multi-organ classification and segmentation. DESIGN: The Universal UltraSound Image Challenge 2025 (UUSIC25) involved developing algorithms on 11,644 images (public/private). Evaluation used an independent, multi-center test set of 2,479 images, including data from a center completely unseen during training to assess generalization. OUTCOMES: Diagnostic performance (Dice Similarity Coefficient [DSC]; Area Under the Receiver Operating Characteristic Curve [AUC]) and computational efficiency (inference time, GPU memory). RESULTS: Of 15 valid algorithms, the top model (SMART) achieved a macro-averaged DSC of 0.854 across 5 segmentation tasks and AUC of 0.766 for binary classification. Models showed high capability in segmentation (e.g., fetal head DSC: 0.942) but variability in complex tasks subject to domain shift. Notably, in breast cancer molecular subtyping, the top model's performance dropped from AUC 0.571 (internal) to 0.508 (unseen external center), highlighting generalization challenges. CONCLUSIONS: General-purpose AI models achieve high accuracy and efficiency across multiple tasks using a single architecture. However, performance degradation on unseen data suggests domain generalization is critical for future clinical deployment.
- Abstract（参考訳）: IMPORTANCE: 現在の超音波AIは依然として単一タスクツールに断片化されており、多用途の現代の超音波システムと比較して臨床的有用性は制限されている。
OBJECTIVE:多臓器分類とセグメンテーションのための1つの汎用ディープラーニングモデルの診断精度と効率を評価する。
DESIGN: The Universal UltraSound Image Challenge 2025 (UUSIC25) は11,644枚の画像(パブリック/プライベート)のアルゴリズムを開発。
評価には2,479枚の画像からなる独立したマルチセンターテストセットが使用された。
OUTCOMES: 診断性能(Dice similarity Coefficient (DSC), Area Under the Receiver Operating Characteristics Curve (AUC)) と計算効率(推論時間,GPUメモリ)。
RESULTS: 15の有効なアルゴリズムのうち、トップモデル(SMART)は5つのセグメンテーションタスクで0.854のマクロ平均DSC、バイナリ分類で0.766のAUCを達成した。
モデルではセグメンテーション(例:胎児頭DSC:0.942)では高い性能を示したが、複雑なタスクではドメインシフトによる変動がみられた。
特に乳がん分子サブタイプでは、トップモデルの性能はAUC 0.571(内部)から0.508(外部)へと低下し、一般化の課題が浮き彫りになった。
ConCLUSIONS: 汎用AIモデルは、単一のアーキテクチャを使用して、複数のタスクにわたって高い精度と効率を達成する。
しかし、未確認データの性能劣化は、将来の臨床展開にドメインの一般化が不可欠であることを示唆している。
関連論文リスト
- Longitudinal Vestibular Schwannoma Dataset with Consensus-based Human-in-the-loop Annotations [3.1898695141875772]
このデータセットには,184例のT1強調検査(T1CE)534例と6例の非アノテーションT2強調検査(T2強調検査)190例が含まれている。
提案手法は,自動セグメンテーションモデルの目的とするデータ分布への効率的かつ資源効率の高い一般化を可能にする。
従来の手作業による注釈処理と比較して、効率を約37.4%向上させると見積もられている。
論文 参考訳（メタデータ） (2025-11-01T09:53:28Z) - ReclAIm: A multi-agent framework for degradation-aware performance tuning of medical imaging AI [0.0]
ReclAImは、自律的な監視、評価、微調整が可能なマルチエージェントフレームワークである。
MRI、CT、X線データセット間でモデルの一貫性のあるパフォーマンスをトレーニングし、評価し、維持する。
論文 参考訳（メタデータ） (2025-10-19T21:02:01Z) - 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) - Improving the U-Net Configuration for Automated Delineation of Head and Neck Cancer on MRI [0.0]
MRIにおける腫瘍体積のセグメンテーションは困難で時間を要するプロセスである。
本研究は,頭部および頸部腫瘍のMRI画像における自動デライン化へのアプローチを示す。
本研究の目的は,医学的セグメンテーションタスクで一般的に使用される構成の改善を提案することである。
論文 参考訳（メタデータ） (2025-01-09T10:22:35Z) - Handling Geometric Domain Shifts in Semantic Segmentation of Surgical RGB and Hyperspectral Images [67.66644395272075]
本稿では,幾何学的アウト・オブ・ディストリビューションデータに直面する場合の,最先端のセマンティックセマンティックセマンティクスモデルの最初の解析を行う。
本稿では, 汎用性を高めるために, 有機移植(Organ Transplantation)と呼ばれる拡張技術を提案する。
我々の拡張技術は、RGBデータに対して最大67%、HSIデータに対して90%のSOAモデル性能を改善し、実際のOODテストデータに対して、分配内パフォーマンスのレベルでのパフォーマンスを達成する。
論文 参考訳（メタデータ） (2024-08-27T19:13:15Z) - TotalSegmentator MRI: Robust Sequence-independent Segmentation of Multiple Anatomic Structures in MRI [59.86827659781022]
nnU-Netモデル(TotalSegmentator)をMRIおよび80原子構造で訓練した。
予測されたセグメンテーションと専門家基準セグメンテーションとの間には,ディススコアが算出され,モデル性能が評価された。
オープンソースで使いやすいモデルは、80構造の自動的で堅牢なセグメンテーションを可能にする。
論文 参考訳（メタデータ） (2024-05-29T20:15:54Z) - A Robust Ensemble Algorithm for Ischemic Stroke Lesion Segmentation: Generalizability and Clinical Utility Beyond the ISLES Challenge [30.611482996378683]
画像と疾患の多様性は、臨床価値を持つ一般化可能なAIアルゴリズムの開発を妨げる。
2022 Ischemic Stroke Lesion (ISLES) から得られた新しいアンサンブルアルゴリズムを提案する。
トップパフォーマンスのアルゴリズムを、個々のソリューションの限界を克服するアンサンブルモデルに組み合わせました。
論文 参考訳（メタデータ） (2024-03-28T13:56:26Z) - Robust Medical Instrument Segmentation Challenge 2019 [56.148440125599905]
腹腔鏡装置の術中追跡は、しばしばコンピュータとロボットによる介入の必要条件である。
本研究の課題は,30の手術症例から取得した10,040枚の注釈画像からなる外科的データセットに基づいていた。
結果は、初期仮説、すなわち、アルゴリズムの性能がドメインギャップの増大とともに低下することを確認する。
論文 参考訳（メタデータ） (2020-03-23T14:35:08Z) - VerSe: A Vertebrae Labelling and Segmentation Benchmark for
Multi-detector CT Images [121.31355003451152]
大規模Vertebrae Challenge(VerSe)は、2019年と2020年に開催されたMICCAI(International Conference on Medical Image Computing and Computer Assisted Intervention)と共同で設立された。
本評価の結果を報告するとともに,脊椎レベル,スキャンレベル,および異なる視野での性能変化について検討した。
論文 参考訳（メタデータ） (2020-01-24T21:09:18Z)
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。