論文の概要: Physics-Embedded Feature Learning for AI in Medical Imaging

• arxiv url: http://arxiv.org/abs/2603.28057v1
• Date: Mon, 30 Mar 2026 05:45:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-31 23:18:45.246449
• Title: Physics-Embedded Feature Learning for AI in Medical Imaging
• Title（参考訳）: 医用イメージングにおけるAIのための物理組込み特徴学習
• Authors: Pulock Das, Al Amin, Kamrul Hasan, Rohan Thompson, Azubike D. Okpalaeze, Liang Hong,
• Abstract要約: PhysNetは物理組み込みのディープラーニングフレームワークで、腫瘍成長のダイナミクスを直接特徴学習プロセスに統合する。 このアーキテクチャは、潜伏する腫瘍密度場を学習しながら、複数クラスの腫瘍分類を共同で行う。 PhysNetは解釈可能な潜伏表現を生成し、確立された医療知識と整合する生体物理パラメータを学習する。
• 参考スコア（独自算出の注目度）: 4.951195507300242
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep learning (DL) models have achieved strong performance in an intelligence healthcare setting, yet most existing approaches operate as black boxes and ignore the physical processes that govern tumor growth, limiting interpretability, robustness, and clinical trust. To address this limitation, we propose PhysNet, a physics-embedded DL framework that integrates tumor growth dynamics directly into the feature learning process of a convolutional neural network (CNN). Unlike conventional physics-informed methods that impose physical constraints only at the output level, PhysNet embeds a reaction diffusion model of tumor growth within intermediate feature representations of a ResNet backbone. The architecture jointly performs multi-class tumor classification while learning a latent tumor density field, its temporal evolution, and biologically meaningful physical parameters, including tumor diffusion and growth rates, through end-to-end training. This design is necessary because purely data-driven models, even when highly accurate or ensemble-based, cannot guarantee physically consistent predictions or provide insight into tumor behavior. Experimental results on a large brain MRI dataset demonstrate that PhysNet outperforms multiple state-of-the-art DL baselines, including MobileNetV2, VGG16, VGG19, and ensemble models, achieving superior classification accuracy and F1-score. In addition to improved performance, PhysNet produces interpretable latent representations and learned bio-physical parameters that align with established medical knowledge, highlighting physics-embedded representation learning as a practical pathway toward more trustworthy and clinically meaningful medical AI systems.
• Abstract（参考訳）: 深層学習(DL)モデルは、インテリジェンス医療において強力なパフォーマンスを達成したが、既存のほとんどのアプローチはブラックボックスとして機能し、腫瘍の成長を制御し、解釈可能性、堅牢性、臨床信頼を制限する物理的プロセスを無視している。 この制限に対処するため,我々は,腫瘍成長動態を直接,畳み込みニューラルネットワーク(CNN)の機能学習プロセスに統合する物理組込みDLフレームワークであるPhysNetを提案する。 出力レベルでのみ物理的制約を課す従来の物理インフォームド法とは異なり、PhysNetはResNetバックボーンの中間特徴表現内に腫瘍成長の反応拡散モデルを組み込む。 このアーキテクチャは、エンドツーエンドのトレーニングを通じて、潜在腫瘍密度場、その時間的進化、および腫瘍拡散や成長率を含む生物学的に意味のある物理的パラメータを学習しながら、多クラス腫瘍分類を共同で実施する。 この設計は、高度に正確あるいはアンサンブルベースの純粋なデータ駆動モデルが、物理的に一貫した予測を保証したり、腫瘍の挙動に関する洞察を与えたりすることができないため、必要である。 大きな脳MRIデータセットの実験結果によると、PhysNetはMobileNetV2、VGG16、VGG19、アンサンブルモデルなど、最先端のDLベースラインよりも優れており、より優れた分類精度とF1スコアを実現している。 パフォーマンスの向上に加えて、PhysNetは解釈可能な潜伏表現と、確立した医療知識と一致する生体物理パラメータを学習し、より信頼性が高く臨床的に意味のある医療AIシステムへの実践的な経路として物理埋め込み表現学習を強調している。

関連論文リスト

• Brain-WM: Brain Glioblastoma World Model [56.45393372490125]
  我々は、次世代治療予測と将来のMRI生成を統一する先駆的なGBMワールドモデルであるBrain-WMを提案する。 Brain-WMは、潜在ダイナミクスを共有潜在空間に符号化し、関節自己回帰治療予測とフローベース将来のMRI生成を行う。 最終的にBrain-WMは、患者医療を最適化するための堅牢な臨床サンドボックスを提供する。
  論文  参考訳（メタデータ） (2026-03-08T09:54:08Z)
• Disentangling Neurodegeneration with Brain Age Gap Prediction Models: A Graph Signal Processing Perspective [89.99666725996975]
  脳年齢ギャップ予測(BAGP)モデルは、データから予測される脳年齢と時系列年齢との差を推定する。 本稿では、BAGPの概要と、グラフ信号処理(GSP)の最近の進歩に基づく、このアプリケーションのための原則化されたフレームワークを紹介する。 VNNは強力な理論的基盤と操作的解釈可能性を提供し、脳年齢差予測の堅牢な推定を可能にする。
  論文  参考訳（メタデータ） (2025-10-14T17:44:45Z)
• NOBLE -- Neural Operator with Biologically-informed Latent Embeddings to Capture Experimental Variability in Biological Neuron Models [63.592664795493725]
  NOBLEは、解釈可能なニューロンの特徴を連続周波数変調した埋め込みから電流注入によって誘導されるソマティック電圧応答へのマッピングを学ぶ神経オペレーターフレームワークである。 内在的な実験変数を考慮したニューラルダイナミクスの分布を予測する。 NOBLEは、その一般化を実際の実験データで検証する最初の大規模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） (2025-06-05T01:01:18Z)
• Physics-Regularized Multi-Modal Image Assimilation for Brain Tumor Localization [3.666412718346211]
  本稿では,データ駆動と物理に基づくコスト関数を統合する新しい手法を提案する。 腫瘍組織と脳組織の学習分布が,それぞれの成長と弾性の方程式にどの程度順応するかを定量化する,ユニークな離散化手法を提案する。
  論文  参考訳（メタデータ） (2024-09-30T15:36:14Z)
• Explainable Deep Learning for Tumor Dynamic Modeling and Overall Survival Prediction using Neural-ODE [0.0]
  本稿では,腫瘍ダイナミックニューラル-ODEを薬理学的インフォームドニューラルネットワークとして用いることを提案する。 我々は,TDNODEが既存のモデルの重要な限界を克服し,乱れたデータから偏りのない予測を行うことを示す。 得られた測定値を用いて,患者の全身生存率(OS)を高い精度で予測できることを示す。
  論文  参考訳（メタデータ） (2023-08-02T18:08:27Z)
• EINNs: Epidemiologically-Informed Neural Networks [75.34199997857341]
  本稿では,疫病予測のための新しい物理インフォームドニューラルネットワークEINNを紹介する。 メカニスティックモデルによって提供される理論的柔軟性と、AIモデルによって提供されるデータ駆動表現性の両方を活用する方法について検討する。
  論文  参考訳（メタデータ） (2022-02-21T18:59:03Z)
• Translational Quantum Machine Intelligence for Modeling Tumor Dynamics in Oncology [18.069876260017605]
  量子マシンインテリジェンス(Quantum Machine Intelligence)は、量子力学の観点からの腫瘍力学の非並列的な洞察を提供する。 本稿では,治療効果に関する腫瘍負担の量子力学を定量化する,$eta-$Netという新しいハイブリッド量子古典型ニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2022-02-21T08:46:58Z)
• Medulloblastoma Tumor Classification using Deep Transfer Learning with Multi-Scale EfficientNets [63.62764375279861]
  本稿では,エンド・ツー・エンドのMB腫瘍分類を提案し,様々な入力サイズとネットワーク次元の一致した移動学習を提案する。 161ケースのデータセットを用いて、より大規模な入力解像度を持つ事前学習されたEfficientNetが、大幅な性能改善をもたらすことを実証した。
  論文  参考訳（メタデータ） (2021-09-10T13:07:11Z)

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。