論文の概要: RadThinking: A Dataset for Longitudinal Clinical Reasoning in Radiology

• arxiv url: http://arxiv.org/abs/2605.10761v1
• Date: Mon, 11 May 2026 15:57:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:50.95886
• Title: RadThinking: A Dataset for Longitudinal Clinical Reasoning in Radiology
• Title（参考訳）: RadThinking: 放射線学における縦断的臨床推論のためのデータセット
• Authors: Wenxuan Li, Pedro R. A. S. Bassi, Xinze Zhou, Jakob Wasserthal, Alan L. Yuille, Zongwei Zhou,
• Abstract要約: RadThinkingは、がんスクリーニングの推論を明示的でトレーニング可能なデータセットです。 このデータセットは、43のがんグループにわたる9,131人の患者から、20,362人のCTスキャンにまたがる。
• 参考スコア（独自算出の注目度）: 48.66643022199818
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Cancer screening is a reasoning task. A radiologist observes findings, compares them to prior scans, integrates clinical context, and reaches a diagnostic conclusion confirmed by pathology. We present RadThinking, a Visual Question Answering (VQA) dataset that makes this reasoning explicit and trainable. RadThinking releases VQA pairs at three difficulty tiers. Foundation VQAs are atomic perception questions. Single-step reasoning VQAs apply one clinical rule. Compositional VQAs require multi-step chain-of-thought to reach a guideline category such as LI-RADS-5. For every compositional VQA, we release the chain of foundation VQAs that solves it. The chain follows the rules of the governing clinical reporting standard. The dataset spans 20,362 CT scans from 9,131 patients across 43 cancer groups, plus 2,077 verified healthy controls with >1-year follow-up. To our knowledge, RadThinking is the first cancer-screening VQA corpus that stratifies questions by reasoning depth and grounds compositions in clinical reporting standards. The foundation tier supplies atomic perception supervision. The compositional tier supplies chain-of-thought data and verifiable rewards for reinforcement-learning recipes such as DeepSeek-R1 and OpenAI o1. RadThinking enables systematic training and evaluation of whether AI systems can reason about cancer, not merely detect it.
• Abstract（参考訳）: がん検診は理学療法である。 放射線科医は、発見を観察し、それらを先行スキャンと比較し、臨床コンテキストを統合し、病理学的に確認された診断結論に達する。 RadThinkingはVisual Question Answering(VQA)データセットで、この推論を明確にし、トレーニング可能にする。 RadThinkingはVQAペアを3つの難易度でリリースする。 基礎VQAは原子知覚の問題である。 単段階推論VQAは1つの臨床規則を適用する。 合成VQAはLI-RADS-5のようなガイドラインカテゴリーに到達するために多段階の連鎖を必要とする。 すべての構成VQAに対して、それを解決する基盤VQAの連鎖をリリースします。 この連鎖は、治験報告基準の規則に従っている。 このデータセットは、43のがんグループにわたる9,131人の患者から、20,362人のCTスキャンにまたがる。 私たちの知る限り、RadThinkingは、臨床報告基準における深度と根拠を推論することによって、質問を階層化する最初のがんスクリーニングVQAコーパスです。 基礎層は原子認識の監督を提供する。 コンポジション層は、DeepSeek-R1やOpenAI o1といった強化学習レシピに対して、チェーンオブシンクデータと検証可能な報酬を提供する。 RadThinkingは、AIシステムががんを検知するだけでなく、がんを推論できるかどうかの体系的なトレーニングと評価を可能にする。

関連論文リスト

• VinDr-CXR-VQA: A Visual Question Answering Dataset for Explainable Chest X-Ray Analysis with Multi-Task Learning [3.4998703934432682]
  VinDr-CXR-VQA(VinDr-CXR-VQA)は、医用視覚質問応答(Med-VQA)のための大規模胸部X線データセットである。 データセットには4,394枚の画像からなる17,597枚の質問応答対が含まれており、それぞれに放射線技師が検証した境界ボックスと臨床理由説明が注釈付けされている。
  論文  参考訳（メタデータ） (2025-11-01T11:17:44Z)
• Knowing or Guessing? Robust Medical Visual Question Answering via Joint Consistency and Contrastive Learning [34.6490677122246]
  医用視覚質問応答における不安定性について,現在の医用視覚言語モデル (Med-VLMs) を用いて検討した。 本稿では,知識適応型一貫性学習とバイアス認識型コントラスト学習を統合した一貫性・コントラスト学習(CCL)を提案する。 CCLは3つの人気のあるVQAベンチマークでSOTAのパフォーマンスを達成し、特にRoMedテストセットで解の一貫性を50%向上させる。
  論文  参考訳（メタデータ） (2025-08-26T05:21:19Z)
• MedQARo: A Large-Scale Benchmark for Medical Question Answering in Romanian [50.767415194856135]
  ルーマニア初の大規模医療QAベンチマークであるMedQARoを紹介する。 がん患者に関連する102,646のQAペアからなる高品質で大規模なデータセットを構築した。
  論文  参考訳（メタデータ） (2025-08-22T13:48:37Z)
• MHQA: A Diverse, Knowledge Intensive Mental Health Question Answering Challenge for Language Models [14.977595131058132]
  メンタルヘルスは、うつ病や不安など、世界中で難しい問題であり続けている。 メンタルヘルスには質問応答(QA)のための標準ベンチマークデータセットが不足している。 我々の研究は、言語モデル(LM)のベンチマークのための新しいマルチ選択データセット、MHQA(Mental Health Question Answering)を提案する。
  論文  参考訳（メタデータ） (2025-02-21T12:37:58Z)
• Tri-VQA: Triangular Reasoning Medical Visual Question Answering for Multi-Attribute Analysis [4.964280449393689]
  より凝集性で安定なメド-VQA構造の構築について検討する。 因果効果によって動機付けられた新しい三角形推論VQAフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-06-21T10:50:55Z)
• Revisiting Computer-Aided Tuberculosis Diagnosis [56.80999479735375]
  結核(TB)は世界的な健康上の脅威であり、毎年何百万人もの死者を出している。 深層学習を用いたコンピュータ支援結核診断 (CTD) は有望であるが, 限られたトレーニングデータによって進行が妨げられている。 結核X線(TBX11K)データセットは11,200個の胸部X線(CXR)画像とそれに対応するTB領域のバウンディングボックスアノテーションを含む。 このデータセットは、高品質なCTDのための洗練された検出器のトレーニングを可能にする。
  論文  参考訳（メタデータ） (2023-07-06T08:27:48Z)
• Learning to diagnose cirrhosis from radiological and histological labels with joint self and weakly-supervised pretraining strategies [62.840338941861134]
  そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。 我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。 この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
  論文  参考訳（メタデータ） (2023-02-16T17:06:23Z)
• Where's the Question? A Multi-channel Deep Convolutional Neural Network for Question Identification in Textual Data [83.89578557287658]
  本稿では,実際の質問を分離する目的で,新しい多チャンネル深層畳み込みニューラルネットワークアーキテクチャであるQuest-CNNを提案する。 提案するニューラルネットワークと他のディープニューラルネットワークの総合的な性能比較分析を行った。 提案したQuest-CNNは、透析ケア設定におけるデータエントリレビュー対話のデータセットと一般的なドメインデータセットの両方において、最高のF1スコアを達成した。
  論文  参考訳（メタデータ） (2020-10-15T15:11:22Z)
• Interpretable Multi-Step Reasoning with Knowledge Extraction on Complex Healthcare Question Answering [89.76059961309453]
  HeadQAデータセットには、公衆医療専門試験で認可された複数の選択質問が含まれている。 これらの質問は、現在のQAシステムにとって最も難しいものです。 知識抽出フレームワーク(MurKe)を用いた多段階推論を提案する。 市販の事前訓練モデルを完全に活用しようと努力しています。
  論文  参考訳（メタデータ） (2020-08-06T02:47:46Z)

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。