論文の概要: A Data-Centric Framework for Intraoperative Fluorescence Lifetime Imaging for Glioma Surgical Guidance

• arxiv url: http://arxiv.org/abs/2604.26147v1
• Date: Tue, 28 Apr 2026 22:12:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-30 15:59:36.187044
• Title: A Data-Centric Framework for Intraoperative Fluorescence Lifetime Imaging for Glioma Surgical Guidance
• Title（参考訳）: グリオーマ手術誘導のための術中蛍光時間イメージングのためのデータ中心フレームワーク
• Authors: Silvia Noble Anbunesan, Mohamed Abul Hassan, Jinyi Qi, Lisanne Kraft, Han Sung Lee, Orin Bloch, Laura Marcu,
• Abstract要約: 本稿では、信頼性学習(CL)、クラス改良、ターゲットラベル評価を統合したデータ中心型AI(DC-AI)フレームワークを提案する。 CLはFLIm点レベルの信頼度を定量化し,ラベルの不整合を同定し,反復型クラスを3種類のスキームにマージする。 その結果得られた高忠実度データセットは、3クラスタスクで96%の精度を達成したモデルのトレーニングを可能にした。
• 参考スコア（独自算出の注目度）: 2.1626027566082127
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate intraoperative assessment of glioma infiltration is essential for maximizing tumor resection while preserving functional brain tissue. Fluorescence lifetime imaging (FLIm) offers real-time, label-free biochemical contrast, but its clinical utility is challenged by biological heterogeneity, class imbalance, and variability in histopathological labeling. We present a data-centric AI (DC-AI) framework that integrates confident learning (CL), class refinement, and targeted label evaluation to develop a robust multi-class FLIm classifier for glioblastoma (GBM) resection margins. FLIm data were collected from 192 tissue margins across 31 newly diagnosed IDH-wildtype GBM patients and initially labeled into seven tumor cellularity classes by an expert neuropathologist. CL was applied to quantify FLIm point-level confidence, identify label inconsistencies, and guide iterative class merging into a three-class scheme ("low", "moderate", "high"). The resulting high-fidelity dataset enabled training a model that achieved 96% accuracy in the three-class task. SHAP analysis revealed class-specific FLIm feature importance, highlighting distinct optical signatures across the infiltration spectrum. Targeted FLIm analysis further identified biological (e.g., gray matter composition) and acquisition-related (e.g., blood contamination) contributors to low-confidence predictions. Blinded re-evaluation of margins flagged by CL demonstrated intra-pathologist variability, underscoring the value of selective relabeling rather than exhaustive review. Together, these findings demonstrate that a DC-AI framework can systematically improve data reliability, enhance model robustness, and refine biological interpretation of FLIm signals, supporting the development of clinically actionable optical tools for real-time glioma margin assessment.
• Abstract（参考訳）: グリオーマ浸潤の正確な術中評価は,機能的脳組織を維持しながら腫瘍切除の最大化に不可欠である。 蛍光寿命イメージング(FLIm)は、リアルタイム、ラベルなし生化学的コントラストを提供するが、その臨床的有用性は、組織学的ラベリングにおける生物学的不均一性、クラス不均衡、および変動性によって挑戦されている。 本稿では,データ中心型AI(DC-AI)フレームワークについて,信頼性学習(CL),クラス改良,ラベル評価を統合して,グリオブラストマ(GBM)切除マージンに対する堅牢な多クラスFLIm分類器を開発する。 FLImデータは、新たに診断されたIDH-wildtype GBM患者31名を対象に、192個の組織縁から収集され、当初は神経病理学者によって7つの腫瘍細胞性クラスにラベル付けされた。 CLはFLIm点レベルの信頼度を定量化し、ラベルの不整合を識別し、3クラスのスキーム("low", "moderate", "high")にマージする反復クラスを導出する。 その結果得られた高忠実度データセットは、3クラスタスクで96%の精度を達成したモデルのトレーニングを可能にした。 SHAP解析により,クラス特異的FLImの特徴が明らかとなり,浸潤スペクトルの異なる光学的特徴が強調された。 FLIm分析により、生物学的(例えば、灰白質の組成)および取得関連(例えば、血液汚染)が低信頼の予測に寄与することが明らかとなった。 CLで標識されたマージンのブラインド再評価では, 病理組織内変異がみられ, 抜本的レビューよりも選択的レバーベリングの意義が強調された。 これらの結果から,DC-AIフレームワークはデータの信頼性を体系的に向上し,モデル堅牢性を高め,FLIm信号の生物学的解釈を洗練し,リアルタイムグリオーママージン評価のための臨床的に実行可能な光学ツールの開発を支援することが示唆された。

関連論文リスト

• 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)
• 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)
• Enhanced SegNet with Integrated Grad-CAM for Interpretable Retinal Layer Segmentation in OCT Images [0.0]
  そこで本研究では,SegNetによる網膜層分割の自動化と解釈のためのディープラーニングフレームワークを提案する。 改良されたプール戦略を含むアーキテクチャ上の革新は、ノイズの多いOCT画像からの特徴抽出を強化する。 Grad-CAMの可視化では、解剖学的に関連のある領域が強調され、セグメンテーションと臨床バイオマーカーが一致した。
  論文  参考訳（メタデータ） (2025-09-09T14:31:51Z)
• Comparison of ConvNeXt and Vision-Language Models for Breast Density Assessment in Screening Mammography [39.58317527488534]
  本研究では,BI-RADSシステムを用いた自動分類のためのマルチモーダル法とCNN法の比較を行った。 ゼロショット分類は、微調整されたConvNeXtモデルがBioMedCLIP線形プローブよりも優れた性能を示した。 これらの結果から, マルチモーダル学習の約束にもかかわらず, エンドツーエンドの微調整を施したCNNモデルの方が, 医用画像の特化に有効であることが示唆された。
  論文  参考訳（メタデータ） (2025-06-16T20:14:37Z)
• Towards Accurate and Interpretable Neuroblastoma Diagnosis via Contrastive Multi-scale Pathological Image Analysis [16.268045905735818]
  病理画像分類に適したコントラスト学習に基づくマルチスケール機能融合モデルであるCMSwinKANを提案する。 マルチスケールの特徴を融合させ、対照的な学習戦略を活用することで、CMSwinKANは臨床医の包括的なアプローチを模倣する。 その結果、CMSwinKANは、既存の最先端の病理モデルよりも、大規模なデータセットで事前訓練されたモデルよりもパフォーマンスがよいことが示された。
  論文  参考訳（メタデータ） (2025-04-18T15:39:46Z)
• Interpretable Graph Kolmogorov-Arnold Networks for Multi-Cancer Classification and Biomarker Identification using Multi-Omics Data [36.92842246372894]
  Multi-Omics Graph Kolmogorov-Arnold Network (MOGKAN)は、メッセンジャーRNA、マイクロRNA配列、DNAメチル化サンプルを利用するディープラーニングフレームワークである。 グラフに基づく深層学習とマルチオミクスデータを統合することにより,提案手法は頑健な予測性能と解釈可能性を示す。
  論文  参考訳（メタデータ） (2025-03-29T02:14:05Z)
• Revisiting Automatic Data Curation for Vision Foundation Models in Digital Pathology [41.34847597178388]
  視覚基盤モデル(FM)は、全スライディング画像から抽出された高度に異質なタイルの組織学的特徴を表現することを学ぶ。 タイルレベルでの教師なし自動データキュレーションの可能性について検討し,3億5000万個のタイルを考慮に入れた。
  論文  参考訳（メタデータ） (2025-03-24T14:23:48Z)
• ActiveSSF: An Active-Learning-Guided Self-Supervised Framework for Long-Tailed Megakaryocyte Classification [3.6535793744942318]
  本研究では,能動学習と自己教師付き事前学習を統合したActiveSSFフレームワークを提案する。 臨床用巨核球データセットによる実験結果から,ActiveSSFは最先端の性能を発揮することが示された。
  論文  参考訳（メタデータ） (2025-02-12T08:24:36Z)
• Diagnosis of Malignant Lymphoma Cancer Using Hybrid Optimized Techniques Based on Dense Neural Networks [0.0]
  本研究では,特徴抽出のためのDenseNet201と分類のためのニューラルネットワーク(DNN)を組み合わせた新しいハイブリッドディープラーニングフレームワークを提案する。 提案手法は99.33%の精度を達成し,精度とモデル解釈性の両方を著しく改善した。
  論文  参考訳（メタデータ） (2024-10-09T15:12:35Z)

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。