論文の概要: Comp2Comp: Open-Source Software with FDA-Cleared Artificial Intelligence Algorithms for Computed Tomography Image Analysis

• arxiv url: http://arxiv.org/abs/2602.10364v1
• Date: Tue, 10 Feb 2026 23:30:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-12 21:44:01.337851
• Title: Comp2Comp: Open-Source Software with FDA-Cleared Artificial Intelligence Algorithms for Computed Tomography Image Analysis
• Title（参考訳）: Comp2Comp:CT画像解析のためのFDA学習人工知能アルゴリズムを用いたオープンソースソフトウェア
• Authors: Adrit Rao, Malte Jensen, Andrea T. Fisher, Louis Blankemeier, Pauline Berens, Arash Fereydooni, Seth Lirette, Eren Alkan, Felipe C. Kitamura, Juan M. Zambrano Chaves, Eduardo Reis, Arjun Desai, Marc H. Willis, Jason Hom, Andrew Johnston, Leon Lenchik, Robert D. Boutin, Eduardo M. J. M. Farina, Augusto S. Serpa, Marcelo S. Takahashi, Jordan Perchik, Steven A. Rothenberg, Jamie L. Schroeder, Ross Filice, Leonardo K. Bittencourt, Hari Trivedi, Marly van Assen, John Mongan, Kimberly Kallianos, Oliver Aalami, Akshay S. Chaudhari,
• Abstract要約: FDA-510(k)-cleared Deep Learning Pipelinesをオープンソース化した最初の2つのディープラーニングパイプラインの開発と検証について報告する。 これらのアルゴリズムをオープンソース化することで、通常不透明なFDAクリアランスプロセスの透明性が向上する。
• 参考スコア（独自算出の注目度）: 3.231490983955054
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Artificial intelligence allows automatic extraction of imaging biomarkers from already-acquired radiologic images. This paradigm of opportunistic imaging adds value to medical imaging without additional imaging costs or patient radiation exposure. However, many open-source image analysis solutions lack rigorous validation while commercial solutions lack transparency, leading to unexpected failures when deployed. Here, we report development and validation for two of the first fully open-sourced, FDA-510(k)-cleared deep learning pipelines to mitigate both challenges: Abdominal Aortic Quantification (AAQ) and Bone Mineral Density (BMD) estimation are both offered within the Comp2Comp package for opportunistic analysis of computed tomography scans. AAQ segments the abdominal aorta to assess aneurysm size; BMD segments vertebral bodies to estimate trabecular bone density and osteoporosis risk. AAQ-derived maximal aortic diameters were compared against radiologist ground-truth measurements on 258 patient scans enriched for abdominal aortic aneurysms from four external institutions. BMD binary classifications (low vs. normal bone density) were compared against concurrent DXA scan ground truths obtained on 371 patient scans from four external institutions. AAQ had an overall mean absolute error of 1.57 mm (95% CI 1.38-1.80 mm). BMD had a sensitivity of 81.0% (95% CI 74.0-86.8%) and specificity of 78.4% (95% CI 72.3-83.7%). Comp2Comp AAQ and BMD demonstrated sufficient accuracy for clinical use. Open-sourcing these algorithms improves transparency of typically opaque FDA clearance processes, allows hospitals to test the algorithms before cumbersome clinical pilots, and provides researchers with best-in-class methods.
• Abstract（参考訳）: 人工知能は、既に取得した放射線画像からバイオマーカーを自動抽出することを可能にする。 この機会的イメージングのパラダイムは、追加の画像コストや患者の放射線被曝を伴わずに、医療画像に価値をもたらす。 しかし、多くのオープンソースイメージ分析ソリューションは厳格な検証を欠いており、商用ソリューションは透明性を欠いているため、デプロイ時に予期せぬ失敗につながっている。 腹部大動脈の定量化 (AAQ) と骨密度 (BMD) の推定をComp2Compパッケージで実施し, CTスキャンの有用性について検討した。 AAQは腹部大動脈を分節して大動脈瘤の大きさを評価し、BMDは椎体を分節して骨密度と骨粗しょう症のリスクを推定する。 AAQ由来の最大大動脈径を,4施設の腹部大動脈瘤に濃縮された258例の検診結果と比較した。 BMDの2次分類(低骨密度と正常骨密度)は,4施設の371症例で得られたDXAスキャン接地真実と比較した。 AAQの全体的な平均絶対誤差は 1.57 mm (95% CI 1.38-1.80 mm) であった。 BMDの感度は81.0%(95% CI 74.0-86.8%)、特異性は78.4%(95% CI 72.3-83.7%)であった。 Comp2Comp AAQおよびBMDは臨床応用に十分な精度を示した。 これらのアルゴリズムをオープンソース化することで、典型的に不透明なFDAクリアランスプロセスの透明性が向上し、病院は面倒な臨床パイロットの前にアルゴリズムをテストすることができる。

関連論文リスト

• Neural Discrete Representation Learning for Sparse-View CBCT Reconstruction: From Algorithm Design to Prospective Multicenter Clinical Evaluation [64.42236775544579]
  コーンビームCT(CBCT)ガイド下穿刺は胸部腫瘍の診断・治療に確立されたアプローチとなっている。 DeepPriorCBCTは3段階のディープラーニングフレームワークであり、従来の放射線線量の6分の1しか使用せずに診断段階の再構築を実現する。
  論文  参考訳（メタデータ） (2025-11-30T12:45:02Z)
• An Explainable Hybrid AI Framework for Enhanced Tuberculosis and Symptom Detection [55.35661671061754]
  結核は、特に資源に制限された遠隔地において、重要な世界的な健康問題である。 本稿では, 胸部X線による疾患および症状の検出を, 2つの頭部と自己監督頭部を統合することで促進する枠組みを提案する。 本モデルでは, 新型コロナウイルス, 結核, 正常症例の鑑別で98.85%の精度が得られ, マルチラベル症状検出では90.09%のマクロF1スコアが得られた。
  論文  参考訳（メタデータ） (2025-10-21T17:18:55Z)
• AortaDiff: A Unified Multitask Diffusion Framework For Contrast-Free AAA Imaging [7.769952833857425]
  非コントラストCTスキャンから合成CECT画像を生成する統合ディープラーニングフレームワークを提案する。 本研究では,条件拡散モデル(CDM)とマルチタスク学習を統合し,画像合成と解剖学的セグメンテーションのエンドツーエンド共同最適化を実現する。
  論文  参考訳（メタデータ） (2025-10-01T22:19:27Z)
• AI-driven software for automated quantification of skeletal metastases and treatment response evaluation using Whole-Body Diffusion-Weighted MRI (WB-DWI) in Advanced Prostate Cancer [0.27141618085306923]
  全Body Diffusion-Weighted MRI (WB-DWI) はTDV (Ttal Diffusion Volume) とgADC (Global Apparent Diffusion Coefficient) の2つの応答バイオマーカーを提供する 手指脱線病変からのTDVおよびgADCの術後変化の追跡は困難であり、読取者間の変動が増大する。 このプロセスを自動化するためのソフトウェアを開発した。核となる技術は、(i)骨を分離するための骨格確率マップを生成する弱教師付き残留U-Netモデル、(ii)WB-DWI強度正規化のための統計フレームワーク、(iii)出力を処理する浅い畳み込みニューラルネットワークである。
  論文  参考訳（メタデータ） (2025-05-13T22:57:49Z)
• Analysis of the 2024 BraTS Meningioma Radiotherapy Planning Automated Segmentation Challenge [45.3253187215396]
  2024年脳腫瘍髄膜腫放射線療法(BraTS-MEN-RT)は、自動セグメンテーションアルゴリズムの進歩を目的とした課題である。 我々はBraTS-MEN-RTチャレンジの設計と結果について述べる。
  論文  参考訳（メタデータ） (2024-05-28T17:25:43Z)
• Analysis of the BraTS 2023 Intracranial Meningioma Segmentation Challenge [44.76736949127792]
  我々はBraTS 2023の頭蓋内髄膜腫チャレンジの設計と結果について述べる。 BraTS髄膜腫チャレンジ(BraTS Meningioma Challenge)は、髄膜腫に焦点を当てた以前のBraTSグリオーマチャレンジとは異なる。 上層部は腫瘍,腫瘍コア,腫瘍全体の拡張のために0.976,0.976,0.964の病変中央値類似係数(DSC)を有していた。
  論文  参考訳（メタデータ） (2024-05-16T03:23:57Z)
• 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)
• Towards More Transparent and Accurate Cancer Diagnosis with an Unsupervised CAE Approach [1.6704594205447996]
  CBMIR(Content-Based Medical Image Retrieval)を利用したデジタル病理診断 UCBMIRは従来のがん診断ワークフローを再現し、WSIベースの診断結論における病理医を支援するための信頼性の高い方法を提供する。
  論文  参考訳（メタデータ） (2023-05-19T15:04:16Z)
• An AI tool for automated analysis of large-scale unstructured clinical cine CMR databases [0.0]
  大規模臨床データベースにおけるSAX cine CMRからの心臓機能の自動定量化のための堅牢なAIツールの開発と評価を行った。 提案ツールは、画像前処理ステップと、大規模マルチドメインCMRデータセットと品質管理ステップに基づいてトレーニングされた、ドメイン汎用AIアルゴリズムを組み合わせる。 これにより、大規模なマルチセントレデータベースの完全自動処理に使用するためのツールの翻訳が可能となる。
  論文  参考訳（メタデータ） (2022-06-15T11:54:51Z)

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。