論文の概要: DeepFAN, a transformer-based deep learning model for human-artificial intelligence collaborative assessment of incidental pulmonary nodules in CT scans: a multi-reader, multi-case trial

• arxiv url: http://arxiv.org/abs/2603.25607v1
• Date: Thu, 26 Mar 2026 16:24:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-27 20:52:48.375377
• Title: DeepFAN, a transformer-based deep learning model for human-artificial intelligence collaborative assessment of incidental pulmonary nodules in CT scans: a multi-reader, multi-case trial
• Title（参考訳）: DeepFANは、CTスキャンにおける偶発性肺結節のヒト-人工知能協調評価のためのトランスフォーマーに基づくディープラーニングモデルである。
• Authors: Zhenchen Zhu, Ge Hu, Weixiong Tan, Kai Gao, Chao Sun, Zhen Zhou, Kepei Xu, Wei Han, Meixia Shang, Xiaoming Qiu, Yiqing Tan, Jinhua Wang, Zhoumeng Ying, Li Peng, Wei Song, Lan Song, Zhengyu Jin, Nan Hong, Yizhou Yu,
• Abstract要約: DeepFANは10K以上の病理確認ノジュールに基づいてトレーニングされたトランスフォーマーベースのモデルである。 結節レベルの読取者間診断の整合性は公正から中等度に改善した。 DeepFANは、中等放射線科医を効果的に支援し、診断品質の均質化を支援する。
• 参考スコア（独自算出の注目度）: 35.165807838511064
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: The widespread adoption of CT has notably increased the number of detected lung nodules. However, current deep learning methods for classifying benign and malignant nodules often fail to comprehensively integrate global and local features, and most of them have not been validated through clinical trials. To address this, we developed DeepFAN, a transformer-based model trained on over 10K pathology-confirmed nodules and further conducted a multi-reader, multi-case clinical trial to evaluate its efficacy in assisting junior radiologists. DeepFAN achieved diagnostic area under the curve (AUC) of 0.939 (95% CI 0.930-0.948) on an internal test set and 0.954 (95% CI 0.934-0.973) on the clinical trial dataset involving 400 cases across three independent medical institutions. Explainability analysis indicated higher contributions from global than local features. Twelve readers' average performance significantly improved by 10.9% (95% CI 8.3%-13.5%) in AUC, 10.0% (95% CI 8.9%-11.1%) in accuracy, 7.6% (95% CI 6.1%-9.2%) in sensitivity, and 12.6% (95% CI 10.9%-14.3%) in specificity (P<0.001 for all). Nodule-level inter-reader diagnostic consistency improved from fair to moderate (overall k: 0.313 vs. 0.421; P=0.019). In conclusion, DeepFAN effectively assisted junior radiologists and may help homogenize diagnostic quality and reduce unnecessary follow-up of indeterminate pulmonary nodules. Chinese Clinical Trial Registry: ChiCTR2400084624.
• Abstract（参考訳）: CTが広範に普及したことにより,検出された肺結節の数も増加した。 しかし、良性および悪性の結節を分類するための現在のディープラーニング手法は、大域的および局所的な特徴を包括的に統合することができないことが多く、そのほとんどは臨床試験を通じて検証されていない。 この問題を解決するために,10K以上の結節をトレーニングしたトランスフォーマーベースモデルであるDeepFANを開発した。 DeepFANは、内部テストセットで0.939(95% CI 0.930-0.948)、独立した3つの医療機関で400例の臨床試験データセットで0.954(95% CI 0.934-0.973)の診断領域を達成した。 説明可能性分析では,地域的特徴よりもグローバルな貢献が多かった。 12人の読者の平均成績は、AUCで10.9%(95%CI 8.3%-13.5%)、精度で10.0%(95%CI 8.9%-11.1%)、感度で7.6%(95%CI 6.1%-9.2%)、特異性で12.6%(95%CI 10.9%-14.3%)と大幅に改善した。 結節レベルの読取者間診断の整合性は公平から中等度(全k:0.313 vs. 0.421; P=0.019)に改善した。 結論として、DeepFANは中等放射線技師を効果的に支援し、診断品質の均質化と不定型肺結節の不要な経過の短縮に役立つ可能性がある。 登録番号:ChiCTR2400084624。

関連論文リスト

• Cerebra: A Multidisciplinary AI Board for Multimodal Dementia Characterization and Risk Assessment [56.62016795093786]
  CerebraはインタラクティブなマルチエージェントAIチームで、ERH、臨床ノート、医療画像分析のための特殊エージェントをコーディネートする。 構造化された表現を操作することで、プライバシ保護デプロイメントをサポートし、モダリティが不完全であれば、堅牢である。 Cerebraは、有識者のパフォーマンスを著しく改善し、前向き認知症リスク推定において精度を17.5ポイント向上させた。
  論文  参考訳（メタデータ） (2026-03-23T05:46:45Z)
• Robust Multicentre Detection and Classification of Colorectal Liver Metastases on CT: Application of Foundation Models [11.274035647041762]
  我々は,CT上のCRLMの患者レベル分類と病変レベル検出のための基礎モデルに基づくAIパイプラインを開発した。 UMedPTは最高の成績を示し,分類用頭部と病変検出用FCOSベースの頭部を微調整した。
  論文  参考訳（メタデータ） (2026-01-12T14:35:29Z)
• Explainable Admission-Level Predictive Modeling for Prolonged Hospital Stay in Elderly Populations: Challenges in Low- and Middle-Income Countries [65.4286079244589]
  長期滞在期間 (pLoS) は, 院内感染のリスクに関連する重要な要因である。 入院レベルの患者と病院の診療データを用いて, pLosの予測モデルを開発し, 解説する。
  論文  参考訳（メタデータ） (2026-01-07T23:35:24Z)
• Finding Holes: Pathologist Level Performance Using AI for Cribriform Morphology Detection in Prostate Cancer [0.010248177083614802]
  前立腺癌におけるクリブリフォーム形態は予後不良を示す組織学的特徴であり,活動的監視を阻害する。 EfficientNetV2-Sエンコーダを用いて、エンド・ツー・エンドの全体スライダー分類のための複数のインスタンス学習を行う深層学習モデルを構築した。
  論文  参考訳（メタデータ） (2025-10-15T18:23:34Z)
• Artificial Intelligence-Based Triaging of Cutaneous Melanocytic Lesions [0.8864540224289991]
  患者数の増加とより包括的な診断の必要性により、病理学者は作業負荷の増大に直面している。 われわれは,全スライド画像に基づいて皮膚メラノサイト性病変をトリアージする人工知能(AI)モデルを開発した。
  論文  参考訳（メタデータ） (2024-10-14T13:49:04Z)
• 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)
• Deep Learning-Based Automatic Diagnosis System for Developmental Dysplasia of the Hip [3.216812203515066]
  股関節の発達性異形成の臨床的診断は、通常は手動で重要な放射線学的角度を計測する。 本研究の目的は,DDH診断の精度と整合性を高めるために,これらの測定値を統合する自動システムを開発することである。
  論文  参考訳（メタデータ） (2022-09-07T19:50:30Z)
• Automated Quantification of CT Patterns Associated with COVID-19 from Chest CT [48.785596536318884]
  提案法は,非造影胸部CTを入力として,病変,肺,葉を3次元に分割する。 この方法では、肺の重症度と葉の関与度を2つの組み合わせて測定し、COVID-19の異常度と高不透明度の存在度を定量化する。 このアルゴリズムの評価は、カナダ、ヨーロッパ、米国からの200人の参加者(感染者100人、健康管理100人)のCTで報告されている。
  論文  参考訳（メタデータ） (2020-04-02T21:49:14Z)

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。