論文の概要: Early and Prediagnostic Detection of Pancreatic Cancer from Computed Tomography

• arxiv url: http://arxiv.org/abs/2601.22134v1
• Date: Thu, 29 Jan 2026 18:55:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-30 16:22:50.097556
• Title: Early and Prediagnostic Detection of Pancreatic Cancer from Computed Tomography
• Title（参考訳）: CTによる膵癌の早期診断と術前診断
• Authors: Wenxuan Li, Pedro R. A. S. Bassi, Lizhou Wu, Xinze Zhou, Yuxuan Zhao, Qi Chen, Szymon Plotka, Tianyu Lin, Zheren Zhu, Marisa Martin, Justin Caskey, Shanshan Jiang, Xiaoxi Chen, Jaroslaw B. Ćwikla, Artur Sankowski, Yaping Wu, Sergio Decherchi, Andrea Cavalli, Chandana Lall, Cristian Tomasetti, Yaxing Guo, Xuan Yu, Yuqing Cai, Hualin Qiao, Jie Bao, Chenhan Hu, Ximing Wang, Arkadiusz Sitek, Kai Ding, Heng Li, Meiyun Wang, Dexin Yu, Guang Zhang, Yang Yang, Kang Wang, Alan L. Yuille, Zongwei Zhou,
• Abstract要約: 膵管腺癌 (PDAC) は遅発性, 手術不能な症例が多い。 ePAI(早期膵癌検出と人工知能)という自動システムを開発した。 ePAIは159例中75例においてPDACの検出と局所化に成功し, 平均リード時間は347日であった。
• 参考スコア（独自算出の注目度）: 46.596419554048225
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Pancreatic ductal adenocarcinoma (PDAC), one of the deadliest solid malignancies, is often detected at a late and inoperable stage. Retrospective reviews of prediagnostic CT scans, when conducted by expert radiologists aware that the patient later developed PDAC, frequently reveal lesions that were previously overlooked. To help detecting these lesions earlier, we developed an automated system named ePAI (early Pancreatic cancer detection with Artificial Intelligence). It was trained on data from 1,598 patients from a single medical center. In the internal test involving 1,009 patients, ePAI achieved an area under the receiver operating characteristic curve (AUC) of 0.939-0.999, a sensitivity of 95.3%, and a specificity of 98.7% for detecting small PDAC less than 2 cm in diameter, precisely localizing PDAC as small as 2 mm. In an external test involving 7,158 patients across 6 centers, ePAI achieved an AUC of 0.918-0.945, a sensitivity of 91.5%, and a specificity of 88.0%, precisely localizing PDAC as small as 5 mm. Importantly, ePAI detected PDACs on prediagnostic CT scans obtained 3 to 36 months before clinical diagnosis that had originally been overlooked by radiologists. It successfully detected and localized PDACs in 75 of 159 patients, with a median lead time of 347 days before clinical diagnosis. Our multi-reader study showed that ePAI significantly outperformed 30 board-certified radiologists by 50.3% (P < 0.05) in sensitivity while maintaining a comparable specificity of 95.4% in detecting PDACs early and prediagnostic. These findings suggest its potential of ePAI as an assistive tool to improve early detection of pancreatic cancer.
• Abstract（参考訳）: 最も死亡率の高い固形腫瘍の1つである膵管腺癌 (PDAC) は, 遅発性かつ手術不能な段階でしばしば検出される。 鑑別CT検査では,後にPDACを発症したことを専門の放射線技師が知っており,これまで見過ごされていた病変がしばしば報告されている。 これらの病変の早期発見を支援するため,我々はePAI(早期膵癌検出と人工知能)という自動システムを開発した。 1つの医療センターから1,598人の患者からのデータに基づいて訓練された。 1,009人の患者を対象とした内部試験では、ePAIは受信機動作特性曲線(AUC) 0.939-0.999、感度95.3%、直径2cm未満の小さなPDACを検出できる98.7%の領域を達成し、PDACを正確に2mmまで局在させた。 6つのセンターで7,158人の患者を対象とする外部検査において、ePAIは0.918-0.945のAUC、91.5%の感度、88.0%の特異性を達成し、PDACを5mmまで正確に局在させた。 診断開始3～36カ月前, 放射線科医が軽視していた臨床診断にて, 術前診断にてPDACが検出された。 PDACは159例中75例で検出, 局在し, 平均リード時間は347日であった。 われわれは, PDACの早期診断において, ePAIの感度は50.3%(P < 0.05)で, PDACの感度は95.4%であった。 これらのことから,膵癌早期発見の補助具としてePAIの有用性が示唆された。

関連論文リスト

• Pillar-0: A New Frontier for Radiology Foundation Models [41.640120966890954]
  腹部骨盤CT42,990例,胸部CT86,411例,頭部CT14,348例,胸部MRI11,543例にPillar-0を導入した。 Pillar-0は平均86.4、88.0、90.1、82.9のAUROCを達成し、MedGemma (Google)、MedImageInsight (Microsoft)、Lingshu (Alibaba)、Merlin (スタンフォード)を7.8-15.8のAUROCポイントで上回り、87.2% (319/366)タスクでランクインしている。
  論文  参考訳（メタデータ） (2025-11-21T21:50:34Z)
• Closing the Performance Gap Between AI and Radiologists in Chest X-Ray Reporting [40.40577855417923]
  胸部X線レポート生成のための臨床評価型マルチモーダルAIモデルMAIRA-Xを紹介する。 タイプや縦方向の変化,配置などの属性を報告する上での精度を評価するために,新しいL&T特化メトリクスフレームワークを開発した。 以上の結果から,MAIRA-Xは放射線科医,特に高用量臨床現場で効果的に治療できる可能性が示唆された。
  論文  参考訳（メタデータ） (2025-11-21T10:53:26Z)
• Prostate Cancer Screening with Artificial Intelligence-Enhanced Micro-Ultrasound: A Comparative Study with Traditional Methods [3.57040780961711]
  マイクロ超音波(micro-US)は前立腺癌(csPCa)の診断精度に匹敵する新しい画像モダリティである PSAとデジタル直腸検査(DRE)を用いて,マイクロUSの人工知能(AI)解釈が臨床スクリーニング法より優れているかを検討した。
  論文  参考訳（メタデータ） (2025-05-27T15:47:38Z)
• Deep Radiomics Detection of Clinically Significant Prostate Cancer on Multicenter MRI: Initial Comparison to PI-RADS Assessment [0.0]
  本研究は,2010年から2020年の間に取得した4つのデータセットから615例(平均年齢63.1+/-7歳)のバイパラメトリック(T2WおよびDW)前立腺MRI配列を分析した。 深部放射線学の機械学習モデルは, 病変レベルではなく, csPCa検出において, PI-RADSアセスメントに匹敵する性能を示した。
  論文  参考訳（メタデータ） (2024-10-21T17:41:58Z)
• A Deep Learning System for Rapid and Accurate Warning of Acute Aortic Syndrome on Non-contrast CT in China [34.1445580369382]
  大動脈CT血管造影(ATA)は,AASを疑う患者に選択される画像プロトコルである。 中国における経済とワークフローの制約により、疑いのある患者の大多数が最初の画像検査として非コントラストCTを施行した。 AAS識別に非コントラストCTを用いた人工知能による警告システムiAortaを提案する。
  論文  参考訳（メタデータ） (2024-06-14T02:15:09Z)
• Detection of subclinical atherosclerosis by image-based deep learning on chest x-ray [86.38767955626179]
  460胸部X線で冠状動脈カルシウム(CAC)スコアを予測する深層学習アルゴリズムを開発した。 AICACモデルの診断精度は, 曲線下領域(AUC)で評価された。
  論文  参考訳（メタデータ） (2024-03-27T16:56:14Z)
• Identification of Ischemic Heart Disease by using machine learning technique based on parameters measuring Heart Rate Variability [50.591267188664666]
  本研究は,243名の非侵襲的特徴(年齢,性別,左室容積率,HRV15)を用いて,一連のANNの訓練と評価を行った。 最高の結果は、7つの入力パラメータと7つの隠れノードを使用して、トレーニングと検証データセットに対して98.9%と82%の精度で得られた。
  論文  参考訳（メタデータ） (2020-10-29T19:14:41Z)
• Dual-Sampling Attention Network for Diagnosis of COVID-19 from Community Acquired Pneumonia [46.521323145636906]
  胸部CT(Central Computed Tomography)において,地域肺炎(CAP)からCOVID-19を自動診断するデュアルサンプリングアテンションネットワークを開発した。 特に,3D畳み込みネットワーク(CNN)を用いた新しいオンラインアテンションモジュールを提案する。 我々のアルゴリズムは、受信機動作特性曲線(AUC)値0.944、精度87.5%、感度86.9%、特異度90.1%、F1スコア82.0%の領域で、COVID-19画像を識別することができる。
  論文  参考訳（メタデータ） (2020-05-06T09:56:51Z)

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。