論文の概要: Radiomics in Medical Imaging: Methods, Applications, and Challenges

• arxiv url: http://arxiv.org/abs/2602.00102v1
• Date: Sat, 24 Jan 2026 22:33:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-03 19:28:32.932527
• Title: Radiomics in Medical Imaging: Methods, Applications, and Challenges
• Title（参考訳）: 医用画像のラジオミクス : 方法,応用,課題
• Authors: Fnu Neha, Deepak kumar Shukla,
• Abstract要約: 放射線学は、画像データを予測モデルのための構造化された高次元特徴表現に変換することにより、定量的な医用画像解析を可能にする。 方法論的な発展と振り返りの結果の奨励にもかかわらず、放射能は、特徴不安定性、限定された妥当性バイアス、制限された臨床翻訳に関連する永続的な課題に直面し続けている。 本調査は,各段階における方法論的決定が特徴安定性,モデルの信頼性,翻訳妥当性にどのように影響するかを,放射能パイプラインのエンドツーエンドで分析する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Radiomics enables quantitative medical image analysis by converting imaging data into structured, high-dimensional feature representations for predictive modeling. Despite methodological developments and encouraging retrospective results, radiomics continue to face persistent challenges related to feature instability, limited reproducibility, validation bias, and restricted clinical translation. Existing reviews largely focus on application-specific outcomes or isolated pipeline components, with limited analysis of how interdependent design choices across acquisition, preprocessing, feature engineering, modeling, and evaluation collectively affect robustness and generalizability. This survey provides an end-to-end analysis of radiomics pipelines, examining how methodological decisions at each stage influence feature stability, model reliability, and translational validity. This paper reviews radiomic feature extraction, selection, and dimensionality reduction strategies; classical machine and deep learning-based modeling approaches; and ensemble and hybrid frameworks, with emphasis on validation protocols, data leakage prevention, and statistical reliability. Clinical applications are discussed with a focus on evaluation rigor rather than reported performance metrics. The survey identifies open challenges in standardization, domain shift, and clinical deployment, and outlines future directions such as hybrid radiomics-artificial intelligence models, multimodal fusion, federated learning, and standardized benchmarking.
• Abstract（参考訳）: 放射線学は、画像データを予測モデルのための構造化された高次元特徴表現に変換することにより、定量的な医用画像解析を可能にする。 方法論的な発展と振り返りの結果の奨励にもかかわらず、放射能は機能不安定性、再現性の制限、バリデーションバイアス、臨床翻訳の制限に関連する永続的な課題に直面し続けている。 既存のレビューは、アプリケーション固有の結果や独立したパイプラインコンポーネントに重点を置いており、取得、前処理、機能エンジニアリング、モデリング、評価が堅牢性と一般化性にどのように影響するかを限定的に分析している。 本調査は,各段階における方法論的決定が特徴安定性,モデルの信頼性,翻訳妥当性にどのように影響するかを,放射能パイプラインのエンドツーエンドで分析する。 本稿では, 放射能特徴抽出, 選択, 次元削減戦略, 古典的および深層学習に基づくモデリングアプローチ, およびアンサンブルとハイブリッドフレームワークについて, 検証プロトコル, データ漏洩防止, 統計的信頼性に重点を置いて検討する。 臨床応用は、報告されたパフォーマンス指標ではなく、評価厳密性に焦点を当てて議論される。 この調査では、標準化、ドメインシフト、臨床展開におけるオープンな課題を特定し、ハイブリッドラジオミクス・アーティフィシャルインテリジェンスモデル、マルチモーダル融合、フェデレートラーニング、標準化されたベンチマークなどの今後の方向性を概説している。

関連論文リスト

• AgentsEval: Clinically Faithful Evaluation of Medical Imaging Reports via Multi-Agent Reasoning [73.50200033931148]
  本稿では,放射線科医の協調診断ワークフローをエミュレートしたマルチエージェントストリーム推論フレームワークであるAgensEvalを紹介する。 評価プロセスを基準定義、エビデンス抽出、アライメント、一貫性スコアなどの解釈可能なステップに分割することで、AgensEvalは明確な推論トレースと構造化された臨床フィードバックを提供する。 実験結果から,AgensEvalは,言い換え,意味的,スタイリスティックな摂動の下でも頑健な臨床的整合性,意味的忠実性,解釈可能な評価を提供することが示された。
  論文  参考訳（メタデータ） (2026-01-23T11:59:13Z)
• Adaptation of Foundation Models for Medical Image Analysis: Strategies, Challenges, and Future Directions [4.332241609032423]
  基礎モデル(FM)は、医用画像解析における変換パラダイムとして登場した。 本稿では,医療画像の特定の要求にFMを適用するための戦略を包括的に評価する。
  論文  参考訳（メタデータ） (2025-11-03T06:57:42Z)
• Clinically Grounded Agent-based Report Evaluation: An Interpretable Metric for Radiology Report Generation [32.410641778559544]
  ICARE (Interpretable and Clinicallygrounded Agent-based Report Evaluation) は、解釈可能な評価フレームワークである。 2つのエージェントは、それぞれが基礎的真実または生成されたレポートを持ち、臨床的に有意義な質問を発生し、互いにクイズする。 スコアを質問応答ペアにリンクすることで、ICAREは透明で解釈可能な評価を可能にする。
  論文  参考訳（メタデータ） (2025-08-04T18:28:03Z)
• Multimodal Attention-Aware Fusion for Diagnosing Distal Myopathy: Evaluating Model Interpretability and Clinician Trust [19.107204920543676]
  遠位筋症は広範な臨床症状を呈する骨格筋疾患の一群である。 本稿では,2つの異なる深層学習モデルから抽出した特徴を組み合わせたマルチモーダル・アウェア・フュージョンアーキテクチャを提案する。 提案手法は,これらの特徴をアテンションゲート機構を通じて統合し,予測性能と解釈可能性の両方を向上させる。
  論文  参考訳（メタデータ） (2025-08-02T11:08:55Z)
• RadFabric: Agentic AI System with Reasoning Capability for Radiology [61.25593938175618]
  RadFabricは、総合的なCXR解釈のための視覚的およびテキスト分析を統合するマルチエージェント、マルチモーダル推論フレームワークである。 システムは、病理診断に特殊なCXRエージェント、正確な解剖学的構造に視覚所見をマッピングする解剖学的解釈エージェント、および視覚的、解剖学的、臨床データを透明かつ証拠に基づく診断に合成する大規模なマルチモーダル推論モデルを利用した推論エージェントを使用する。
  論文  参考訳（メタデータ） (2025-06-17T03:10:33Z)
• Comparative Evaluation of Radiomics and Deep Learning Models for Disease Detection in Chest Radiography [0.0]
  胸部X線撮影における疾患検出のための放射線治療と深層学習によるアプローチについて検討した。 深層学習モデルは画像データから直接学習し、放射能ベースのモデルは手作りの特徴を抽出する。 これらの知見は、診断AIにおけるモデル選択のための統計的に検証された、データ駆動の推奨を提供する。
  論文  参考訳（メタデータ） (2025-04-16T16:54:37Z)
• Unified Uncertainty Estimation for Cognitive Diagnosis Models [70.46998436898205]
  本稿では,幅広い認知診断モデルに対する統一的不確実性推定手法を提案する。 診断パラメータの不確かさをデータ・アスペクトとモデル・アスペクトに分解する。 本手法は有効であり,認知診断の不確実性に関する有用な知見を提供することができる。
  論文  参考訳（メタデータ） (2024-03-09T13:48:20Z)
• ChatRadio-Valuer: A Chat Large Language Model for Generalizable Radiology Report Generation Based on Multi-institution and Multi-system Data [115.0747462486285]
  ChatRadio-Valuerは、一般化可能な表現を学習する自動放射線学レポート生成のための調整されたモデルである。 本研究で利用した臨床データセットは,textbf332,673の顕著な総計を含む。 ChatRadio-Valuerは、最先端のモデル、特にChatGPT(GPT-3.5-Turbo)やGPT-4などより一貫して優れている。
  論文  参考訳（メタデータ） (2023-10-08T17:23:17Z)
• Benchmarking Heterogeneous Treatment Effect Models through the Lens of Interpretability [82.29775890542967]
  治療のパーソナライズされた効果を見積もるのは複雑だが、普及している問題である。 ヘテロジニアス処理効果推定に関する機械学習文献の最近の進歩は、洗練されたが不透明なツールの多くを生み出した。 我々は、ポストホックな特徴重要度法を用いて、モデルの予測に影響を及ぼす特徴を特定する。
  論文  参考訳（メタデータ） (2022-06-16T17:59:05Z)

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。