論文の概要: iTRIALSPACE: Programmable Virtual Lesion Trials for Controlled Evaluation of Lung CT Models

• arxiv url: http://arxiv.org/abs/2605.05761v1
• Date: Thu, 07 May 2026 06:55:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-08 22:27:11.578721
• Title: iTRIALSPACE: Programmable Virtual Lesion Trials for Controlled Evaluation of Lung CT Models
• Title（参考訳）: ITRIALSPACE:肺CTモデルの制御評価のためのプログラム可能な仮想病変試験
• Authors: Fakrul Islam Tushar, Umme Hafsa Momy, Joseph Y. Lo, Geoffrey D. Rubin,
• Abstract要約: iTRIALSPACEは肺CTモデルの評価制御のためのプログラム可能な評価フレームワークである。 ITRIALSPACEは3つの医療用VLM,4つの空間誘導条件,3つの臨床課題にまたがる55,469個の仮想病変研究で評価された。
• 参考スコア（独自算出の注目度）: 0.8477463841895917
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: We introduce iTRIALSPACE, a programmable evaluation framework for controlled assessment of lung CT models. Standard benchmarks are static retrospective collections that entangle lesion size, lobe prevalence, anatomy, and acquisition context, making it difficult to determine what structurally drives model accuracy. iTRIALSPACE addresses this limitation by composing real clinical CTs and lesion profiles into controlled virtual lesion trials through a four-stage pipeline: multidataset nodule profiling, explicit trial specification, anatomy-aware mask insertion, and ControlNet-conditioned CT synthesis. The framework is built on a unified 54-attribute nodule-profile dataset spanning 13,140 annotated nodules from seven public CT sources and instantiated as 13 trial modes. We evaluate iTRIALSPACE in a 55,469-sample Virtual Lesion Study spanning three medical VLMs, four spatialguidance conditions, and three clinical tasks. Across all 13 modes, the synthetic substrate remains within the real-to-real FID baseline, and synthetic performance rankings transfer strongly to real clinical data ($ρ$ = 0.93, p < 10$^{-15}$). Controlled trial modes expose findings unavailable to fixed-distribution benchmarks, including shortcut-driven size prediction collapse under lobe-equalized sampling and hostto-donor variance ratios of 8.9x and 3.3x in twin-cross analysis. These results position iTRIALSPACE as an auditable evaluation infrastructure for controlled, falsifiable testing beyond static retrospective benchmarks.
• Abstract（参考訳）: 肺CTモデルの評価制御のためのプログラム可能な評価フレームワークであるiTRIALSPACEを紹介する。 標準ベンチマークは静的な振り返りのコレクションで、病変のサイズ、葉の有病率、解剖学、取得コンテキストを絞って、構造的にモデルの正確性を判断するのは困難である。 iTRIALSPACEは、マルチデータセットの結節プロファイリング、明示的なトライアル仕様、解剖学的マスク挿入、コントロールネットによるCT合成という4段階のパイプラインを通じて、実際の臨床CTと病変プロファイルを制御された仮想病変試験に組み込むことによって、この制限に対処する。 このフレームワークは、パブリックCTソース7つから13140個の注釈付き結節からなる、54個の帰属した結節型データセット上に構築され、13の試行モードとしてインスタンス化されている。 ITRIALSPACEは3つの医療用VLM,4つの空間誘導条件,3つの臨床課題にまたがる55,469個の仮想病変研究で評価された。 全13モードにわたって、合成基質は実-実-実-実-実-FIDベースライン内に留まり、合成性能ランキングは実際の臨床データに強く移行する(ρ$ = 0.93, p < 10$^{-15}$)。 制御された試行モードでは、ロブ等化サンプリングによるショートカット駆動サイズ予測の崩壊や、ツインクロス分析における8.9xと3.3xのホスト-ドナー分散比など、固定分布ベンチマークでは利用できない結果が明らかになった。 これらの結果は、ITRIALSPACEを静的なリフレクションベンチマークを超えて、制御され、偽装可能なテストのための監査可能な評価基盤として位置づけている。

関連論文リスト

• Validating the Clinical Utility of CineECG 3D Reconstructions through Cross-Modal Feature Attribution [6.049628621178308]
  本稿では,CineECG 3次元解剖学的空間に高性能12誘導ECGモデルから特徴属性を投影するクロスモーダル手法を提案する。 本研究は,CineECG信号を直接訓練したモデルにおいて,精度の低下と不整合性に悩まされている一方で,本手法が臨床的に有意な特徴ランキングを効果的に回復させることを示した。
  論文  参考訳（メタデータ） (2026-04-29T12:21:43Z)
• AnyCXR: Human Anatomy Segmentation of Chest X-ray at Any Acquisition Position using Multi-stage Domain Randomized Synthetic Data with Imperfect Annotations and Conditional Joint Annotation Regularization Learning [0.0]
  我々は任意のCXR射影角をまたいで一般化可能な多臓器分割を可能にする統一フレームワークであるAnyCXRを提案する。 我々はAnyCXRを完全に合成データに基づいて訓練し,PA,側方,斜視で54の解剖学的構造を正確に記述した。 その結果,AnyCXRは解剖学的CXR解析のためのスケーラブルで信頼性の高い基盤を確立していることがわかった。
  論文  参考訳（メタデータ） (2025-12-19T06:27:14Z)
• Conformal Lesion Segmentation for 3D Medical Images [82.92159832699583]
  本稿では,データ駆動しきい値の校正をコンフォーマル化することで,テスト時間FNRが目標許容値以下であることを保証する,リスク制約付きフレームワークを提案する。 5つのバックボーンモデルにまたがる6つの3D-LSデータセット上でのCLSの統計的健全性と予測性能を検証し,臨床実践におけるリスク認識セグメンテーションの展開に関する実用的な知見を得た。
  論文  参考訳（メタデータ） (2025-10-19T08:21:00Z)
• 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)
• High Accuracy Pulmonary Vessel Segmentation for Contrast and Non-contrast CT Images and Clinical Evaluation [7.2151442883882]
  造影CT画像と非造影CT画像から肺血管の自動分画を行うための3次元画像分画アルゴリズムを提案する。 我々は、複数のベンダーや国から427セットの高精度CTデータを用いてモデルを訓練し、NCCTデータに対して0.892, 0.861, 0.924, 0.925, 0.903, 0.949のCl-DICE, Cl-リコールおよびリコール値を得た。
  論文  参考訳（メタデータ） (2025-03-21T09:54:42Z)
• TRIALSCOPE: A Unifying Causal Framework for Scaling Real-World Evidence Generation with Biomedical Language Models [21.437563965711004]
  本稿では,大規模観測データから堅牢な実世界の証拠を生成するためのフレームワークであるTRIALSCOPEを提案する。 このフレームワークは、高品質な構造化された患者データを自動的にキュレートし、データセットを拡張し、非構造化形式でのみ利用可能な主要な患者属性を組み込む。 また,TriALSCOPEは,抽出した実世界のデータから,肺癌および膵癌の臨床試験の結果を再現できることを示した。
  論文  参考訳（メタデータ） (2023-11-02T15:15:47Z)
• Towards Unifying Anatomy Segmentation: Automated Generation of a Full-body CT Dataset via Knowledge Aggregation and Anatomical Guidelines [113.08940153125616]
  我々は533巻のボクセルレベルのラベルを142ドル(約1万2000円)で、全身CTスキャンのデータセットを作成し、解剖学的包括的カバレッジを提供する。 提案手法はラベル集約段階において手作業によるアノテーションに依存しない。 我々はCTデータに142ドルの解剖学的構造を予測できる統一解剖学的セグメンテーションモデルをリリースする。
  論文  参考訳（メタデータ） (2023-07-25T09:48:13Z)
• TREEMENT: Interpretable Patient-Trial Matching via Personalized Dynamic Tree-Based Memory Network [54.332862955411656]
  臨床試験は薬物開発に不可欠であるが、しばしば高価で非効率な患者募集に苦しむ。 近年,患者と臨床試験を自動マッチングすることで患者採用を高速化する機械学習モデルが提案されている。 本稿では,TREement という名前の動的ツリーベースメモリネットワークモデルを導入する。
  論文  参考訳（メタデータ） (2023-07-19T12:35:09Z)
• Adversarial Transformer for Repairing Human Airway Segmentation [7.176060570019899]
  本稿では,従来のCT画像とともに事前分割を行い,気道構造の精細化マスクを出力するパッチスケール対向型精細化ネットワークを提案する。 その結果, 7つの測定値から定量的に評価し, 検出された長さ比と検出された枝比の15%以上を達成できた。
  論文  参考訳（メタデータ） (2022-10-21T15:20:08Z)
• Improving Classification Model Performance on Chest X-Rays through Lung Segmentation [63.45024974079371]
  本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。 提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
  論文  参考訳（メタデータ） (2022-02-22T15:24:06Z)
• Quantification of pulmonary involvement in COVID-19 pneumonia by means of a cascade oftwo U-nets: training and assessment on multipledatasets using different annotation criteria [83.83783947027392]
  本研究は、新型コロナウイルスの肺病変の同定、セグメント化、定量化のために人工知能(AI)を活用することを目的とする。 2つのU-netのカスケードをベースとした自動解析パイプラインLungQuantシステムを開発した。 LungQuantシステムにおけるCT-Severity Score(CT-SS)の精度も評価した。
  論文  参考訳（メタデータ） (2021-05-06T10:21:28Z)

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。