Fugu-MT 論文翻訳(概要): Dual-Modal Lung Cancer AI: Interpretable Radiology and Microscopy with Clinical Risk Integration

論文の概要: Dual-Modal Lung Cancer AI: Interpretable Radiology and Microscopy with Clinical Risk Integration

arxiv url: http://arxiv.org/abs/2604.16104v1
Date: Fri, 17 Apr 2026 14:37:54 GMT
ステータス: 翻訳完了
システム内更新日: 2026-04-20 22:00:19.95507
Title: Dual-Modal Lung Cancer AI: Interpretable Radiology and Microscopy with Clinical Risk Integration
Title（参考訳）: Dual-Modal Lung Cancer AI : 診断可能な放射線診断と臨床リスク統合による顕微鏡検査
Authors: Baramee Sukumal, Aueaphum Aueawatthanaphisut,
Abstract要約: 本研究は,CTラジオグラフィーとヘマトキシリンとエオシン組織学を統合した肺がん診断および亜型分類のためのデュアルモーダル人工知能フレームワークを提案する。このシステムは、畳み込みニューラルネットワークを用いて、放射線学的および病理組織学的特徴を抽出し、ロバスト性を改善するために臨床メタデータを組み込む。実験の結果,精度0.87,AUROC0.97以上,マクロF1スコア0.88。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Lung cancer remains one of the leading causes of cancer-related mortality worldwide. Conventional computed tomography (CT) imaging, while essential for detection and staging, has limitations in distinguishing benign from malignant lesions and providing interpretable diagnostic insights. To address this challenge, this study proposes a dual-modal artificial intelligence framework that integrates CT radiology with hematoxylin and eosin (H&E) histopathology for lung cancer diagnosis and subtype classification. The system employs convolutional neural networks to extract radiologic and histopathologic features and incorporates clinical metadata to improve robustness. Predictions from both modalities are fused using a weighted decision-level integration mechanism to classify adenocarcinoma, squamous cell carcinoma, large cell carcinoma, small cell lung cancer, and normal tissue. Explainable AI techniques including Grad-CAM, Grad-CAM++, Integrated Gradients, Occlusion, Saliency Maps, and SmoothGrad are applied to provide visual interpretability. Experimental results show strong performance with accuracy up to 0.87, AUROC above 0.97, and macro F1-score of 0.88. Grad-CAM++ achieved the highest faithfulness and localization accuracy, demonstrating strong correspondence with expert-annotated tumor regions. These results indicate that multimodal fusion of radiology and histopathology can improve diagnostic performance while maintaining model transparency, suggesting potential for future clinical decision support systems in precision oncology.
Abstract（参考訳）: 肺がんは、世界中でがん関連死亡の原因の1つとなっている。従来のCT像は検出とステージングに必須であるが,良性病変と悪性病変の鑑別には限界がある。そこで本研究では,CTラジオグラフィとヘマトキシリン,エオシン(H&E)の組織像を併用した肺がん診断および亜型分類のためのデュアルモーダル人工知能フレームワークを提案する。このシステムは、畳み込みニューラルネットワークを用いて、放射線学的および病理組織学的特徴を抽出し、ロバスト性を改善するために臨床メタデータを組み込む。両方のモダリティからの予測は、腺癌、扁平上皮癌、大細胞癌、小細胞肺癌、正常組織を分類するための重み付け決定レベル統合機構を用いて融合される。 Grad-CAM、Grad-CAM++、Integrated Gradients、Occlusion、Saliency Maps、SmoothGradなどの説明可能なAI技術を適用して視覚的解釈性を提供する。実験の結果,精度0.87,AUROC0.97以上,マクロF1スコア0.88。 Grad-CAM++は高度の忠実度と局在の精度を達成し,鑑別腫瘍領域との強い対応を示した。以上の結果から,放射線学と病理組織学のマルチモーダル融合は,モデル透過性を維持しながら診断性能を向上する可能性が示唆された。

関連論文リスト

An Explainable AI-Driven Framework for Automated Brain Tumor Segmentation Using an Attention-Enhanced U-Net [0.6087515951830486]
本稿では,実行中の注意ゲートを付加したU-Netモデルに基づく新たなセグメンテーション手法を提案する。クラス不均衡に対応するために、標準的な分類的クロスエントロピーとともに、Dice LossやCategorical Dice Lossのような手動設計の損失関数を用いる。提案手法は精度0.9919,Dice係数0.9901,IoU0.9873,感度0.9908,特異度0.9974で優れた性能を示した。
論文参考訳（メタデータ） (2026-03-24T15:42:49Z)
EMeRALDS: Electronic Medical Record Driven Automated Lung Nodule Detection and Classification in Thoracic CT Images [4.533165461983661]
肺がんは世界中でがん関連死亡の原因となっている。本研究では,大規模視覚言語モデル(VLM)を活用したコンピュータ支援診断(CAD)システムの開発を目的とする。提案手法はゼロショット肺結節解析において強い性能を示した。
論文参考訳（メタデータ） (2025-09-15T09:11:17Z)
MMFusion: Multi-modality Diffusion Model for Lymph Node Metastasis Diagnosis in Esophageal Cancer [13.74067035373274]
CT画像に基づくリンパ節転移診断のためのマルチモーダルな不均一グラフに基づく条件付き特徴誘導拡散モデルを提案する。本稿では, 悪性腫瘍とリンパ節像の関連性, 優先性を明らかにすることを目的として, マスク付き関係表現学習戦略を提案する。
論文参考訳（メタデータ） (2024-05-15T17:52:00Z)
Survival Prediction Across Diverse Cancer Types Using Neural Networks [40.392772795903795]
胃癌と大腸腺癌は広範囲で難治性の悪性腫瘍である。医療コミュニティは、患者の予後を推定するための重要な指標として、5年間の生存率を受け入れている。本研究は胃癌および大腸癌患者の生存予測モデルを改善するための先駆的アプローチを提案する。
論文参考訳（メタデータ） (2024-04-11T21:47:13Z)
Exploiting Liver CT scans in Colorectal Carcinoma genomics mutation classification [0.0]
本稿では,患者医用画像からの分類手法として,DeepLearningを用いた最初の探索法を提案する。本手法はCT画像からCRC RAS変異ファミリーを0.73F1スコアで同定できる。
論文参考訳（メタデータ） (2024-01-25T14:40:58Z)
Improved Prognostic Prediction of Pancreatic Cancer Using Multi-Phase CT by Integrating Neural Distance and Texture-Aware Transformer [37.55853672333369]
本稿では, 異なる患者のCT像における腫瘍と血管の正確な関係を記述した, 学習可能なニューラル距離を提案する。発達したリスクマーカーは, 術前因子の生存率の予測因子として最強であった。
論文参考訳（メタデータ） (2023-08-01T12:46:02Z)
CancerUniT: Towards a Single Unified Model for Effective Detection, Segmentation, and Diagnosis of Eight Major Cancers Using a Large Collection of CT Scans [45.83431075462771]
ヒトの読者や放射線医は、臨床実践において、全身多臓器多臓器の検出と診断を日常的に行う。ほとんどの医療用AIシステムは、いくつかの疾患のリストの狭い単一の臓器に焦点を当てて構築されている。 CancerUniT は、マルチ腫瘍予測の出力を持つクエリベースの Mask Transformer モデルである。
論文参考訳（メタデータ） (2023-01-28T20:09:34Z)
Multi-Scale Hybrid Vision Transformer for Learning Gastric Histology: AI-Based Decision Support System for Gastric Cancer Treatment [50.89811515036067]
胃内視鏡検査は、早期に適切な胃癌(GC)治療を判定し、GC関連死亡率を低下させる有効な方法である。本稿では,一般のGC治療指導と直接一致する5つのGC病理のサブ分類を可能にする実用的なAIシステムを提案する。
論文参考訳（メタデータ） (2022-02-17T08:33:52Z)
Hierarchical Classification of Pulmonary Lesions: A Large-Scale Radio-Pathomics Study [38.78350161086617]
CTによる肺病変の診断は重要であるが,肺癌関連疾患の臨床的判断には困難である。深層学習は肺がんに対するコンピュータ支援診断 (CADx) 領域において大きな成功を収めているが, 放射線診断の困難さからラベルの曖昧さに悩まされている。本研究は, 侵襲的病理解析が肺がん診断の黄金基準となっていることを考慮し, 大規模放射線病的データセットを用いてラベルあいまいさを解消する。この振り返りデータセットはPentral-RadPathと呼ばれ、高精度なディープラーニングシステムの開発と検証により、非侵襲的な病理組織ラベルを予測できる。
論文参考訳（メタデータ） (2020-10-08T15:14:34Z)

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。