論文の概要: EXACT: an explainable anomaly-aware vision foundation model for analysis of 3D chest CT

• arxiv url: http://arxiv.org/abs/2604.24146v1
• Date: Mon, 27 Apr 2026 07:57:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-28 17:12:07.79594
• Title: EXACT: an explainable anomaly-aware vision foundation model for analysis of 3D chest CT
• Title（参考訳）: EXACT : 3次元胸部CT解析のための説明可能な異常認識基盤モデル
• Authors: Xuguang Bai, Mingxuan Liu, Tongxi Song, Yifei Chen, Hongjia Yang, Kasidit Anmahapong, Zihan Li, Ying Zhou, Qiyuan Tian,
• Abstract要約: EXACTは3次元胸部CTの異常認識基盤モデルである。 2つの臨床スキャンと放射線学レポートから空間的に解決された表現を学習する。 EXACTは臨床的に関係のあるCTタスクに対して一貫した改善を示す。
• 参考スコア（独自算出の注目度）: 29.0378459959757
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Chest computed tomography (CT) is central to the detection and management of thoracic disease, yet the growing scale and complexity of volumetric imaging increasingly exceed what can be addressed by scan-level prediction alone. Clinically useful AI for CT must not only recognize disease across the whole volume, but also localize abnormalities and provide interpretable visual evidence. Existing vision-language foundation models typically compress scans and reports into global image-text representations, limiting their ability to preserve spatial evidence and support clinically meaningful interpretation. Here we developed EXACT, an explainable anomaly-aware foundation model for three-dimensional chest CT that learns spatially resolved representations from paired clinical scans and radiology reports. EXACT was pre-trained on 25,692 CT-reports pairs using anatomy-aware weak supervision, jointly learning organ segmentation and multi-instance anomaly localization without manual voxel-level annotations. The resulting organ-specific anomaly-aware maps assign each voxel a disease-specific anomaly score confined to its corresponding anatomy, jointly encoding lesion extent and organ-level context. In retrospective multinational and multi-center evaluations, EXACT showed broad and consistent improvements across clinically relevant CT tasks, spanning multi-disease diagnosis, zero-shot anomaly localization, downstream adaptation, and visually grounded report generation, outperforming existing three-dimensional medical foundation models. By transforming routine clinical CT scans and free-text reports into explainable voxel-level representations, EXACT establishes a scalable paradigm for trustworthy volumetric medical AI.
• Abstract（参考訳）: 胸部CT(胸部CT)は胸部疾患の検出・管理の中心であるが,体積像の増大と複雑さは,スキャンレベルの予測だけで対処できるものを超えつつある。 臨床的に有用なCT用AIは、全容の疾患を認識するだけでなく、異常を局在させ、解釈可能な視覚的証拠を提供する必要がある。 既存の視覚言語基盤モデルは、通常、スキャンとレポートをグローバルな画像テキスト表現に圧縮し、空間的証拠を保存し、臨床的に意味のある解釈をサポートする能力を制限する。 そこで我々は,3次元胸部CTのための説明可能な異常認識基盤モデル EXACT を開発した。 25,692対のCT-Reportsペアに対して,解剖学的に弱い監督,共同学習臓器の分節化,および手動のボクセルレベルのアノテーションを伴わない多点異常局所化を用いて,ExACTを事前訓練した。 結果として得られた臓器特異的異常マップは、疾患特異的異常スコアを対応する解剖学に限定し、病変範囲と臓器レベルのコンテキストを共同でエンコードする。 振り返り多国間・多センター評価において、EXACTは、多疾患診断、ゼロショットの局所化、下流適応、および視覚的基盤化されたレポート生成など、臨床関連CTタスクにまたがる広範囲で一貫した改善を示し、既存の3次元医療基盤モデルを上回った。 日常的な臨床CTスキャンと自由テキストレポートを説明可能なボクセルレベルの表現に変換することで、EXACTは信頼できるボリューム医療AIのためのスケーラブルなパラダイムを確立します。

関連論文リスト

• Anatomy-Aware Unsupervised Detection and Localization of Retinal Abnormalities in Optical Coherence Tomography [4.828654519487229]
  教師なしの異常検出フレームワークは、病変のアノテーションなしで正常な網膜解剖の規範的な分布を学習する。 網膜層を意識した3重項学習と構造的三重項学習を併用し,病的表現と健康的表現を分離する。 Kermany データセット (AUROC: 0.799) では,VAE, VQVAE, VQGAN, f-AnoGAN ベースラインを大幅に上回っている。
  論文  参考訳（メタデータ） (2026-04-24T01:09:05Z)
• MedVista3D: Vision-Language Modeling for Reducing Diagnostic Errors in 3D CT Disease Detection, Understanding and Reporting [17.609935683639925]
  臨床における放射線診断の誤り-読影誤り、意図的失明、コミュニケーションの失敗--の既往である。 MedVista3Dは3次元CT解析のためのマルチスケールのセマンティック・エンリッチ・ビジョン言語事前学習フレームワークである。
  論文  参考訳（メタデータ） (2025-09-04T01:28:44Z)
• OrthoInsight: Rib Fracture Diagnosis and Report Generation Based on Multi-Modal Large Models [0.49478969093606673]
  骨折診断と報告生成のための多モード深層学習フレームワークOrthoInsightを提案する。 骨折検出のためのYOLOv9モデル、臨床コンテキストを検索するための医療知識グラフ、診断レポートを生成するための微調整されたLLaVA言語モデルを統合する。 28,675枚のCT画像と専門家の報告から評価し、診断精度、コンテンツ完全性、論理的コヒーレンス、臨床ガイダンス値にまたがる高いパフォーマンスを平均4.28で達成している。
  論文  参考訳（メタデータ） (2025-07-18T15:01:44Z)
• Rethinking Whole-Body CT Image Interpretation: An Abnormality-Centric Approach [57.86418347491272]
  全身に404例の異常所見を呈する包括的階層分類システムを提案する。 複数平面および全人体領域からの14.5K以上のCT画像を含むデータセットを寄贈し,19K以上の異常に対する接地アノテーションを念頭に提供した。 OminiAbnorm-CTは,テキストクエリに基づいて,多面的および全身的なCT画像に異常な所見を自動的に検出し,記述することができる。
  論文  参考訳（メタデータ） (2025-06-03T17:57:34Z)
• Large-scale and Fine-grained Vision-language Pre-training for Enhanced CT Image Understanding [17.783231335173486]
  解剖学的CT画像解釈のための細粒度視覚言語モデル(fVLM)を提案する。 しかし、微粒なアライメントは、かなり偽陰性な課題に直面している。 今回,69,086例のCT画像と報告データをもとに,これまでで最大のCTデータセットを収集した。
  論文  参考訳（メタデータ） (2025-01-24T14:50:48Z)
• RadGenome-Chest CT: A Grounded Vision-Language Dataset for Chest CT Analysis [56.57177181778517]
  RadGenome-Chest CTはCT-RATEに基づく大規模3次元胸部CT解釈データセットである。 私たちは、最新の強力なユニバーサルセグメンテーションと大きな言語モデルを活用して、元のデータセットを拡張します。
  論文  参考訳（メタデータ） (2024-04-25T17:11:37Z)
• CT-GLIP: 3D Grounded Language-Image Pretraining with CT Scans and Radiology Reports for Full-Body Scenarios [53.94122089629544]
  我々は,CT-GLIP(Grounded Language- Image Pretraining with CT scans)を導入する。 本手法は,104臓器にわたる17,702症例を対象に,44,011例の臓器レベルの視覚テキストペアからなるマルチモーダルCTデータセットを用いて訓練し,自然言語を用いて臓器と異常をゼロショットで識別できることを実証した。
  論文  参考訳（メタデータ） (2024-04-23T17:59:01Z)
• Explainable multiple abnormality classification of chest CT volumes with AxialNet and HiResCAM [89.2175350956813]
  本稿では,容積医用画像における多変量分類の課題について紹介する。 本稿では,複数のインスタンス学習型畳み込みニューラルネットワークであるAxialNetを提案する。 そして、HiResCAMと3D許容領域を利用した新しいマスクロスにより、モデルの学習を改善することを目指す。
  論文  参考訳（メタデータ） (2021-11-24T01:14:33Z)

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。