論文の概要: Clinically Aware Synthetic Image Generation for Concept Coverage in Chest X-ray Models

• arxiv url: http://arxiv.org/abs/2603.15525v1
• Date: Mon, 16 Mar 2026 16:48:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-17 18:28:58.612024
• Title: Clinically Aware Synthetic Image Generation for Concept Coverage in Chest X-ray Models
• Title（参考訳）: 胸部X線モデルにおける概念被覆のための臨床応用合成画像生成
• Authors: Amy Rafferty, Rishi Ramaesh, Ajitha Rajan,
• Abstract要約: CARSは臨床特徴ベクトルに標的摂動を適用し、病理所見の挿入と削除を制御できる。 CARS生成画像の微調整は、精度・リコール性能を一貫して改善し、予測の不確実性を低減し、モデルの校正を改善する。
• 参考スコア（独自算出の注目度）: 3.295369583957252
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: The clinical deployment of AI diagnostic models demands more than benchmark accuracy - it demands robustness across the full spectrum of disease presentations. However, publicly available chest radiographic datasets systematically underrepresent critical clinical feature combinations, leaving models under-trained precisely where clinical stakes are highest. We present CARS, a clinically aware and anatomically grounded framework that addresses this gap through principled synthetic image generation. CARS applies targeted perturbations to clinical feature vectors, enabling controlled insertion and deletion of pathological findings while explicitly preserving anatomical structure. We evaluate CARS across seven backbone architectures by fine-tuning models on synthetic subsets and testing on a held-out MIMIC-CXR benchmark. Compared to prior feature perturbation approaches, fine-tuning on CARS-generated images consistently improves precision-recall performance, reduces predictive uncertainty, and improves model calibration. Structural and semantic analyses demonstrate high anatomical fidelity, strong feature alignment, and low semantic uncertainty. Independent evaluation by two expert radiologists further confirms realism and clinical agreement. As the field moves toward regulated clinical AI, CARS demonstrates that anatomically faithful synthetic data generation for better feature space coverage is a viable and effective strategy for improving both the performance and trustworthiness of chest X-ray classification systems - without compromising clinical integrity.
• Abstract（参考訳）: AI診断モデルの臨床的展開は、ベンチマークの精度以上のものを必要とします。 しかし、一般に公開されている胸部X線写真データセットは、臨床的特徴の組み合わせを体系的に低く表現し、臨床が最も高い場所で正確に訓練されていないモデルを残している。 本稿では, このギャップを, 原理化された合成画像生成によって解決する, 臨床的に認識され, 解剖学的に根ざした枠組みであるCARSについて述べる。 CARSは、臨床特徴ベクトルに標的摂動を適用し、解剖学的構造を明示的に保存しつつ、病理所見の挿入と削除を制御できる。 合成サブセットの微調整モデルとMIMIC-CXRベンチマークによるテストにより、7つのバックボーンアーキテクチャのCARSを評価する。 従来の特徴摂動アプローチと比較して、CARS生成画像の微調整は精度・リコール性能を一貫して改善し、予測の不確実性を低減し、モデルの校正を改善する。 構造的および意味的分析は、高い解剖学的忠実度、強い特徴的アライメント、そして低い意味的不確実性を示す。 2人の専門家による独立した評価は、リアリズムと臨床的合意をさらに確認する。 分野が規制された臨床AIに向かって進むにつれ、CARSは、解剖学的に忠実な合成データ生成により、より良い特徴空間をカバーできることが、臨床の整合性を損なうことなく、胸部X線分類システムの性能と信頼性の両方を改善するための、実用的で効果的な戦略であることを示した。

関連論文リスト

• Suppressing Prior-Comparison Hallucinations in Radiology Report Generation via Semantically Decoupled Latent Steering [94.37535002230504]
  本研究では,Semantically Decoupled Latent Steeringと呼ばれる学習自由な推論時間制御フレームワークを開発した。 提案手法は,大言語モデル (LLM) による意味分解による意味のない介入ベクトルを構築する。 本手法は歴史的幻覚の可能性を著しく低下させることを示す。
  論文  参考訳（メタデータ） (2026-02-27T04:49:01Z)
• A WDLoRA-Based Multimodal Generative Framework for Clinically Guided Corneal Confocal Microscopy Image Synthesis in Diabetic Neuropathy [8.701084151107652]
  糖尿病性末梢神経障害(DPN)における角膜共焦点顕微鏡による小線維損傷の評価 強靭で自動的なディープラーニングに基づく診断モデルの開発は、角膜神経形態学におけるラベル付きデータの不足ときめ細かい変化によって制限される。 臨床誘導CCM画像合成のためのWDLoRAに基づくマルチモーダル生成フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-02-14T09:32:44Z)
• AnyCXR: Human Anatomy Segmentation of Chest X-ray at Any Acquisition Position using Multi-stage Domain Randomized Synthetic Data with Imperfect Annotations and Conditional Joint Annotation Regularization Learning [0.0]
  我々は任意のCXR射影角をまたいで一般化可能な多臓器分割を可能にする統一フレームワークであるAnyCXRを提案する。 我々はAnyCXRを完全に合成データに基づいて訓練し,PA,側方,斜視で54の解剖学的構造を正確に記述した。 その結果,AnyCXRは解剖学的CXR解析のためのスケーラブルで信頼性の高い基盤を確立していることがわかった。
  論文  参考訳（メタデータ） (2025-12-19T06:27:14Z)
• A Semantically Enhanced Generative Foundation Model Improves Pathological Image Synthesis [82.01597026329158]
  本稿では,組織合成のための相関調整フレームワーク(CRAFTS)について紹介する。 CRAFTSは、生物学的精度を確保するためにセマンティックドリフトを抑制する新しいアライメント機構を組み込んでいる。 本モデルは,30種類の癌にまたがる多彩な病理像を生成する。
  論文  参考訳（メタデータ） (2025-12-15T10:22:43Z)
• 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)
• Clinical Evaluation of Medical Image Synthesis: A Case Study in Wireless Capsule Endoscopy [63.39037092484374]
  人工知能(AI)に基づく合成データ生成は、臨床医学の届け方を変えることができる。 本研究は,無線カプセル内視鏡(WCE)画像を用いた炎症性腸疾患(IBD)の診断における概念実証による医療用SDGの臨床評価に焦点を当てた。 その結果、TIDE-IIは、最先端の生成モデルと比較して品質が向上し、臨床的に可塑性で、非常に現実的なWCE画像を生成することがわかった。
  論文  参考訳（メタデータ） (2024-10-31T19:48:50Z)
• TREEMENT: Interpretable Patient-Trial Matching via Personalized Dynamic Tree-Based Memory Network [54.332862955411656]
  臨床試験は薬物開発に不可欠であるが、しばしば高価で非効率な患者募集に苦しむ。 近年,患者と臨床試験を自動マッチングすることで患者採用を高速化する機械学習モデルが提案されている。 本稿では,TREement という名前の動的ツリーベースメモリネットワークモデルを導入する。
  論文  参考訳（メタデータ） (2023-07-19T12:35:09Z)
• XVertNet: Unsupervised Contrast Enhancement of Vertebral Structures with Dynamic Self-Tuning Guidance and Multi-Stage Analysis [2.1987431057890467]
  胸部X線は救急医療の主要な診断ツールであり続けているが、微細な解剖学的詳細を捉える能力に限界があるため、診断が遅れることがある。 XVertNetは,X線画像における脊椎構造の可視化を著しく向上するために設計された,新しいディープラーニングフレームワークである。
  論文  参考訳（メタデータ） (2023-06-06T19:36:11Z)

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。