Fugu-MT 論文翻訳(概要): A generalizable large-scale foundation model for musculoskeletal radiographs

論文の概要: A generalizable large-scale foundation model for musculoskeletal radiographs

arxiv url: http://arxiv.org/abs/2602.03076v1
Date: Tue, 03 Feb 2026 04:04:45 GMT
ステータス: 翻訳完了
システム内更新日: 2026-02-04 18:37:15.235344
Title: A generalizable large-scale foundation model for musculoskeletal radiographs
Title（参考訳）: 筋骨格X線写真のための一般化可能な大規模基礎モデル
Authors: Shinn Kim, Soobin Lee, Kyoungseob Shin, Han-Soo Kim, Yongsung Kim, Minsu Kim, Juhong Nam, Somang Ko, Daeheon Kwon, Wook Huh, Ilkyu Han, Sunghoon Kwon,
Abstract要約: 本稿では,筋骨格X線撮影のための大規模基礎モデルであるSKELEXについて述べる。このモデルは下流診断12項目で評価され, 骨折検出, 変形性関節症, 骨腫瘍の分類において, 概ね成績が良好であった。骨腫瘍予測のための解釈可能な領域誘導モデルを開発した。
参考スコア（独自算出の注目度）: 6.440881664328117
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Artificial intelligence (AI) has shown promise in detecting and characterizing musculoskeletal diseases from radiographs. However, most existing models remain task-specific, annotation-dependent, and limited in generalizability across diseases and anatomical regions. Although a generalizable foundation model trained on large-scale musculoskeletal radiographs is clinically needed, publicly available datasets remain limited in size and lack sufficient diversity to enable training across a wide range of musculoskeletal conditions and anatomical sites. Here, we present SKELEX, a large-scale foundation model for musculoskeletal radiographs, trained using self-supervised learning on 1.2 million diverse, condition-rich images. The model was evaluated on 12 downstream diagnostic tasks and generally outperformed baselines in fracture detection, osteoarthritis grading, and bone tumor classification. Furthermore, SKELEX demonstrated zero-shot abnormality localization, producing error maps that identified pathologic regions without task-specific training. Building on this capability, we developed an interpretable, region-guided model for predicting bone tumors, which maintained robust performance on independent external datasets and was deployed as a publicly accessible web application. Overall, SKELEX provides a scalable, label-efficient, and generalizable AI framework for musculoskeletal imaging, establishing a foundation for both clinical translation and data-efficient research in musculoskeletal radiology.
Abstract（参考訳）: 人工知能(AI)は、放射線写真から筋骨格疾患を検出し、特徴付けることを約束している。しかし、既存のモデルの多くはタスクに特化しており、アノテーションに依存しており、疾患や解剖学的領域にまたがる一般化性に制限がある。大規模な筋骨格ラジオグラフィーで訓練された一般的な基礎モデルは臨床的に必要とされているが、公開データセットのサイズは限られており、幅広い筋骨格状態や解剖学的部位のトレーニングを可能にするには十分な多様性が欠如している。本稿では, 筋骨格X線撮影のための大規模基礎モデルであるSKELEXについて述べる。このモデルは下流診断12項目で評価され, 骨折検出, 変形性関節症, 骨腫瘍の分類において, 概ね成績が良好であった。さらに、SKELEXはゼロショット異常局所化を示し、タスク固有の訓練を受けずに病理領域を同定した誤差マップを作成した。そこで本研究では, 骨腫瘍予測のための解釈可能な領域誘導モデルを構築し, 独立した外部データセット上での堅牢な性能を維持し, 公開されているWebアプリケーションとしてデプロイした。全体として、SKELEXは、筋骨格画像のためのスケーラブルでラベル効率が高く、一般化可能なAIフレームワークを提供し、臨床翻訳と筋骨格X線学におけるデータ効率の研究の基礎を確立している。

関連論文リスト

A multimodal vision foundation model for generalizable knee pathology [40.03838145472935]
筋骨格障害は、医療画像の正確な解釈に対する緊急の要求である。現在の整形外科における人工知能のアプローチは、タスク固有の教師あり学習パラダイムに依存している。筋骨格病理学に最適化されたマルチモーダル視覚基盤モデルOrthoFoundationを紹介する。
論文参考訳（メタデータ） (2026-01-26T08:14:51Z)
Multi Anatomy X-Ray Foundation Model [7.079609136804425]
自己教師付き学習を用いたマルチ解剖学的X線基礎モデルであるXR-0を紹介する。 XR-0は、ほとんどのマルチ解剖学タスクで最先端のパフォーマンスを達成し、胸部固有のベンチマークで競争力を維持する。
論文参考訳（メタデータ） (2025-09-15T17:12:26Z)
Curia: A Multi-Modal Foundation Model for Radiology [3.5025024631649857]
本研究は,大病院の横断画像出力全体に基づいて訓練された基礎モデルであるCuriaを紹介する。 Curiaは臓器を正確に識別し、脳出血や心筋梗塞などの病態を検出し、腫瘍のステージングの結果を予測する。
論文参考訳（メタデータ） (2025-09-08T16:04:12Z)
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)
BLS-GAN: A Deep Layer Separation Framework for Eliminating Bone Overlap in Conventional Radiographs [4.295284976294471]
従来のX線写真では、骨の重なり合いが一般的であり、骨特性の正確な評価を妨げる可能性がある。本研究では,高品質な骨層画像を生成する骨層分離GANフレームワークを提案する。生成された画像はビジュアルチューリングテストに合格し、下流タスクのパフォーマンスが向上した。
論文参考訳（メタデータ） (2024-09-11T14:34:17Z)
Self-supervised vision-langage alignment of deep learning representations for bone X-rays analysis [53.809054774037214]
本稿では, 骨X線とフレンチレポートを組み合わせることで, 視覚言語による事前訓練を活用することを提案する。骨X線表現にまつわる埋め込み空間を形成するために、フランスの報告を統合する最初の研究である。
論文参考訳（メタデータ） (2024-05-14T19:53:20Z)
Advancing human-centric AI for robust X-ray analysis through holistic self-supervised learning [33.9544297423474]
873kの胸部X線で自己監督によって訓練された大型ビジュアルエンコーダであるRayDinoについて紹介する。我々はレイディーノと過去の9つの放射線学課題における最先端モデルを比較し、分類と密分化からテキスト生成までについて述べる。以上の結果から,患者中心型AIがX線の臨床・解釈に有用であることが示唆された。
論文参考訳（メタデータ） (2024-05-02T16:59:10Z)
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)
Generative Residual Attention Network for Disease Detection [51.60842580044539]
本稿では, 条件付き生成逆学習を用いたX線疾患発生のための新しいアプローチを提案する。我々は,患者の身元を保存しながら,対象領域に対応する放射線画像を生成する。次に、ターゲット領域で生成されたX線画像を用いてトレーニングを増強し、検出性能を向上させる。
論文参考訳（メタデータ） (2021-10-25T14:15:57Z)
Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
論文参考訳（メタデータ） (2021-02-26T02:29:30Z)

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。