論文の概要: MHub.ai: A Simple, Standardized, and Reproducible Platform for AI Models in Medical Imaging

• arxiv url: http://arxiv.org/abs/2601.10154v1
• Date: Thu, 15 Jan 2026 07:53:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-16 19:43:19.041115
• Title: MHub.ai: A Simple, Standardized, and Reproducible Platform for AI Models in Medical Imaging
• Title（参考訳）: MHub.ai: 医療画像におけるAIモデルのためのシンプルで、標準化され、再現可能なプラットフォーム
• Authors: Leonard Nürnberg, Dennis Bontempi, Suraj Pai, Curtis Lisle, Steve Pieper, Ron Kikinis, Sil van de Leemput, Rahul Soni, Gowtham Murugesan, Cosmin Ciausu, Miriam Groeneveld, Felix J. Dorfner, Jue Jiang, Aneesh Rangnekar, Harini Veeraraghavan, Joeran S. Bosma, Keno Bressem, Raymond Mak, Andrey Fedorov, Hugo JWL Aerts,
• Abstract要約: MHub.aiは、AIモデルへのアクセスを標準化する、オープンソースのコンテナベースのプラットフォームである。 肺分画モデルの評価を通じて, 臨床症例におけるプラットフォームの有用性を実証する。
• 参考スコア（独自算出の注目度）: 3.918612240717785
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Artificial intelligence (AI) has the potential to transform medical imaging by automating image analysis and accelerating clinical research. However, research and clinical use are limited by the wide variety of AI implementations and architectures, inconsistent documentation, and reproducibility issues. Here, we introduce MHub.ai, an open-source, container-based platform that standardizes access to AI models with minimal configuration, promoting accessibility and reproducibility in medical imaging. MHub.ai packages models from peer-reviewed publications into standardized containers that support direct processing of DICOM and other formats, provide a unified application interface, and embed structured metadata. Each model is accompanied by publicly available reference data that can be used to confirm model operation. MHub.ai includes an initial set of state-of-the-art segmentation, prediction, and feature extraction models for different modalities. The modular framework enables adaptation of any model and supports community contributions. We demonstrate the utility of the platform in a clinical use case through comparative evaluation of lung segmentation models. To further strengthen transparency and reproducibility, we publicly release the generated segmentations and evaluation metrics and provide interactive dashboards that allow readers to inspect individual cases and reproduce or extend our analysis. By simplifying model use, MHub.ai enables side-by-side benchmarking with identical execution commands and standardized outputs, and lowers the barrier to clinical translation.
• Abstract（参考訳）: 人工知能(AI)は、画像解析を自動化し、臨床研究を加速することで、医療画像を変える可能性がある。 しかし、研究と臨床利用は、幅広いAIの実装とアーキテクチャ、一貫性のないドキュメント、再現性の問題によって制限されている。 ここでは、最小構成でAIモデルへのアクセスを標準化し、医療画像におけるアクセシビリティと再現性を促進する、オープンソースのコンテナベースのプラットフォームであるMHub.aiを紹介する。 MHub.aiは、ピアレビューされた出版物から標準化されたコンテナにモデルをパッケージし、DICOMや他のフォーマットの直接処理をサポートし、統一されたアプリケーションインターフェースを提供し、構造化されたメタデータを埋め込む。 各モデルには、モデル操作の確認に使用できる公開参照データが添付されている。 MHub.aiには、様々なモダリティのための最先端セグメンテーション、予測、特徴抽出モデルの初期セットが含まれている。 モジュラーフレームワークはあらゆるモデルの適応を可能にし、コミュニティのコントリビューションをサポートする。 本研究は,肺分画モデルの比較評価を通じて,臨床症例におけるプラットフォームの有用性を実証する。 透明性と再現性をさらに強化するため、生成されたセグメンテーションと評価指標を公開し、読者が個々のケースを検査し、分析を再現または拡張できるインタラクティブダッシュボードを提供する。 MHub.aiはモデルの使用をシンプルにすることで、同じ実行コマンドと標準化された出力でサイドバイサイドのベンチマークを可能にし、臨床翻訳の障壁を低くする。

関連論文リスト

• In search of truth: Evaluating concordance of AI-based anatomy segmentation models [3.740726797046942]
  解剖学的セグメンテーションのためのAIベースの手法は、大規模な画像データセットのキャラクタリゼーションを自動化するのに役立つ。 基礎となる真理アノテーションを含まないデータセット上で評価する実践的なフレームワークを導入する。
  論文  参考訳（メタデータ） (2025-12-17T19:33:56Z)
• An Agentic Model Context Protocol Framework for Medical Concept Standardization [5.12407270785129]
  モデルコンテキストプロトコル(MCP)に基づくゼロトレーニング・幻覚防止マッピングシステムの開発 このシステムは説明可能なマッピングを可能にし、最小限の労力で効率と精度を大幅に改善する。
  論文  参考訳（メタデータ） (2025-09-04T02:32:22Z)
• mAIstro: an open-source multi-agentic system for automated end-to-end development of radiomics and deep learning models for medical imaging [0.0]
  mAIstroは、医療AIモデルのエンドツーエンド開発とデプロイのための、オープンソースの、自律的なマルチエージェントフレームワークである。 自然言語インタフェースを通じて探索データ分析、放射能特徴抽出、画像分割、分類、回帰を編成する。
  論文  参考訳（メタデータ） (2025-04-30T16:25:51Z)
• Towards a clinically accessible radiology foundation model: open-access and lightweight, with automated evaluation [113.5002649181103]
  オープンソースの小型マルチモーダルモデル(SMM)を訓練し、放射線学における未測定臨床ニーズに対する能力ギャップを埋める。 トレーニングのために,697万以上の画像テキストペアからなる大規模なデータセットを組み立てる。 評価のために,GPT-4に基づく実測値CheXpromptを提案する。 LlaVA-Radの推論は高速で、単一のV100 GPU上でプライベート設定で実行できる。
  論文  参考訳（メタデータ） (2024-03-12T18:12:02Z)
• OpenMEDLab: An Open-source Platform for Multi-modality Foundation Models in Medicine [55.29668193415034]
  マルチモダリティ基盤モデルのためのオープンソースプラットフォームであるOpenMEDLabについて紹介する。 これは、最前線臨床および生体情報学応用のための大規模言語とビジョンモデルを刺激し、微調整する先駆的な試みの解決策をカプセル化する。 様々な医用画像のモダリティ、臨床テキスト、タンパク質工学など、事前訓練された基礎モデル群へのアクセスが可能である。
  論文  参考訳（メタデータ） (2024-02-28T03:51:02Z)
• Generative AI for Medical Imaging: extending the MONAI Framework [29.152928147704507]
  我々は、研究者や開発者が生成モデルを簡単に訓練し、評価し、デプロイできるオープンソースプラットフォームであるMONAI Generative Modelsを紹介します。 我々のプラットフォームは、異なるアーキテクチャを含む標準化された方法で最先端の研究を再現します。 我々はこれらのモデルを一般化可能な方法で実装し、その結果を2次元または3次元のシナリオに拡張できることを示した。
  論文  参考訳（メタデータ） (2023-07-27T21:58:26Z)
• medigan: A Python Library of Pretrained Generative Models for Enriched Data Access in Medical Imaging [3.8568465270960264]
  mediganは、オープンソースのフレームワークに依存しないPythonライブラリとして実装された、事前訓練された生成モデルのワンストップショップである。 研究者や開発者は、ほんの数行のコードでトレーニングデータを作成し、拡大し、ドメインに適応することができる。 ライブラリのスケーラビリティと設計は、統合され、容易に利用できる事前訓練された生成モデルの増加によって実証される。
  論文  参考訳（メタデータ） (2022-09-28T23:45:33Z)

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。