Fugu-MT 論文翻訳(概要): Machine-Learning-Enhanced Non-Invasive Testing for MASLD Fibrosis: Shallow-Deep Neural Networks Versus FIB-4, Tabular Foundation Models, and Large Language Models

論文の概要: Machine-Learning-Enhanced Non-Invasive Testing for MASLD Fibrosis: Shallow-Deep Neural Networks Versus FIB-4, Tabular Foundation Models, and Large Language Models

arxiv url: http://arxiv.org/abs/2605.20523v1
Date: Tue, 19 May 2026 21:51:02 GMT
ステータス: 翻訳完了
システム内更新日: 2026-05-21 19:19:56.391217
Title: Machine-Learning-Enhanced Non-Invasive Testing for MASLD Fibrosis: Shallow-Deep Neural Networks Versus FIB-4, Tabular Foundation Models, and Large Language Models
Title（参考訳）: MASLD線維症に対する機械学習による非侵襲検査:浅層ニューラルネットワーク Versus FIB-4, Tabular Foundation Models, Large Language Models
Authors: Athanasios Angelakis, Gabriele De Vito, Eleni-Myrto Trifylli, Filomena Ferrucci,
Abstract要約: 進行性線維症は肝障害の主要な要因である。機械学習による非侵襲検査が高度な線維症検出を改善できるかどうかを検討した。
参考スコア（独自算出の注目度）: 2.6107366530137517
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Advanced fibrosis is a major determinant of liver-related morbidity in metabolic dysfunction-associated steatotic liver disease (MASLD). FIB-4 is widely used as a first-line non-invasive test, but its fixed formula may underuse diagnostic information contained in age, aspartate aminotransferase, alanine aminotransferase, and platelet count. We evaluated whether machine-learning-enhanced non-invasive testing (MLE-NIT) can improve advanced fibrosis detection while preserving this FIB-4 variable space. We used three biopsy-confirmed MASLD cohorts from China, Malaysia, and India (n=784). The Chinese cohort was split into 486 training and 54 internal validation/tuning patients; final performance was reported only on the Malaysian and Indian external cohorts. Models used five variables: age, FIB-4, aspartate aminotransferase, platelet count, and alanine aminotransferase. We compared FIB-4 with a shallow-deep neural network (s-DNN), TabPFN, and gpt-4o-2024-08-06. FIB-4 achieved external ROC-AUCs of 0.75 and 0.60 in Malaysia and India, respectively. TabPFN achieved 0.69 and 0.66, fine-tuned GPT-4o achieved 0.75 and 0.63, and the s-DNN achieved 0.77 and 0.67, respectively. The s-DNN contained only 354 trainable parameters, compared with 7,244,554 for TabPFN, yet provided a more balanced external operating profile. Calibration showed s-DNN Brier scores of 0.18 and 0.22, and permutation importance identified AST and FIB-4 as dominant variables. Compact non-linear MLE-NITs may enhance FIB-4-based fibrosis assessment without increasing clinical data requirements.
Abstract（参考訳）: 高度線維症は代謝障害関連脂肪症肝疾患(MASLD)における肝関連致死性の主要な決定因子である。 FIB-4は、第一線非侵襲検査として広く用いられているが、その定式化は、年齢、アスパラギン酸アミノトランスフェラーゼ、アラニンアミノトランスフェラーゼ、血小板数などの診断情報をアンダーユースすることができる。機械学習による非侵襲的検査(MLE-NIT)が、このFIB-4変数空間を保存しながら、高度な線維化検出を改善できるかどうかを検討した。生検で確認された中国,マレーシア,インド産の3種のMASLDコホート(n=784。中国のコホートは486の訓練と54の内的バリデーション/トレーニングの患者に分けられ、最終的なパフォーマンスはマレーシアとインドの外的コホートにのみ報告された。モデルでは、年齢、FIB-4、アスパラギン酸アミノトランスフェラーゼ、血小板数、アラニンアミノトランスフェラーゼの5つの変数を用いた。 FIB-4を浅層深度ニューラルネットワーク(s-DNN)、TabPFN、gpt-4o-2024-08-06と比較した。 FIB-4はマレーシアとインドでそれぞれ0.75と0.60のLOC-AUCを達成した。 TabPFN は 0.69 と 0.66 、微調整 GPT-4o は 0.75 と 0.63 を、s-DNN は 0.77 と 0.67 をそれぞれ達成した。 s-DNNのトレーニング可能なパラメータはわずか354で、TabPFNは7,244,554だった。校正では、s-DNN Brierのスコアは0.18と0.22で、置換の重要性はASTとFIB-4を支配変数とした。コンパクトな非線形MLE-NITは、臨床データ要求を増大させることなく、FIB-4ベースの線維化評価を高めることができる。

関連論文リスト

Annotation-free deep learning for detection and segmentation of fetal germinal matrix-intraventricular hemorrhage in brain MRI [35.75434967398725]
出生前胚性マトリックス-心室性出血(GMH-IVH)は乳児の死亡と神経発達障害の原因である。ディープラーニングモデルは自動化の可能性を秘めているが、通常は大きな注釈付きデータセットを必要とする。 FreeHemoSegは、通常の胎児データから合成された擬似GMH-IVH画像を用いて開発、訓練された。
論文参考訳（メタデータ） (2026-05-10T14:39:30Z)
Detecting Neurovascular Instability from Multimodal Physiological Signals Using Wearable-Compatible Edge AI: A Responsible Computational Framework [0.0]
ウェアラブル互換の生理信号から神経血管不安定性(NVI)を検出するためのマルチモーダルMLフレームワークであるMeraguardを提案する。毎年1220万回のインシデントストロークで、連続したマルチモーダルな生理的モニタリングは、コミュニティスケールのスクリーニングへの実践的なパスを提供する。
論文参考訳（メタデータ） (2026-03-20T19:17:46Z)
Practical Geometric and Quantum Kernel Methods for Predicting Skeletal Muscle Outcomes in chronic obstructive pulmonary disease [12.752575381856934]
慢性閉塞性肺疾患(COPD)における骨格筋機能障害の臨床的意義このことは、縦に取得できる最小侵襲バイオマーカーによる筋肉結果の予測的モデリングを動機付けている。低次元データ用に設計された古典的ベースライン、スタイン発散を持つ幾何対応対称正定値(SPD)記述子、量子カーネルモデルをベンチマークした。
論文参考訳（メタデータ） (2026-01-01T13:25:45Z)
Pillar-0: A New Frontier for Radiology Foundation Models [41.640120966890954]
腹部骨盤CT42,990例,胸部CT86,411例,頭部CT14,348例,胸部MRI11,543例にPillar-0を導入した。 Pillar-0は平均86.4、88.0、90.1、82.9のAUROCを達成し、MedGemma (Google)、MedImageInsight (Microsoft)、Lingshu (Alibaba)、Merlin (スタンフォード)を7.8-15.8のAUROCポイントで上回り、87.2% (319/366)タスクでランクインしている。
論文参考訳（メタデータ） (2025-11-21T21:50:34Z)
LLMCARE: early detection of cognitive impairment via transformer models enhanced by LLM-generated synthetic data [32.69241041313969]
アルツハイマー病と関連する認知症は、米国で500万人近い高齢者に影響を及ぼす。本研究は,トランスフォーマー埋め込みと手作り言語的特徴を融合した音声ベースのスクリーニングパイプラインを開発し,評価する。
論文参考訳（メタデータ） (2025-08-08T13:44:55Z)
Predicting Length of Stay in Neurological ICU Patients Using Classical Machine Learning and Neural Network Models: A Benchmark Study on MIMIC-IV [49.1574468325115]
本研究は、MIMIC-IVデータセットに基づく神経疾患患者を対象とした、ICUにおけるLOS予測のための複数のMLアプローチについて検討する。評価されたモデルには、古典的MLアルゴリズム(K-Nearest Neighbors、Random Forest、XGBoost、CatBoost)とニューラルネットワーク(LSTM、BERT、テンポラルフュージョントランス)が含まれる。
論文参考訳（メタデータ） (2025-05-23T14:06:42Z)
ThyroidEffi 1.0: A Cost-Effective System for High-Performance Multi-Class Thyroid Carcinoma Classification [0.0]
甲状腺FNAB画像分類のための深層学習システムを開発した。 Benign, Indeterminate/Suspicious, and Malignantの3つの主要なカテゴリは、生後治療を直接指導するものだ。システムは1000ケースを30秒で処理し、広くアクセス可能なハードウェアの実現可能性を示した。
論文参考訳（メタデータ） (2025-04-19T02:13:07Z)
Correcting Class Imbalances with Self-Training for Improved Universal Lesion Detection and Tagging [43.06199185109424]
CT研究におけるユニバーサル病変検出・タグング(ULDT)は,腫瘍の負担評価と経過に伴う病変の進行(成長・収縮)の追跡に重要である。以前の研究では、DeepLesionデータセット(4,427人、研究10,594人、CTスライス32,120人、病変32,735人、体の一部のラベル8人)をアルゴリズム開発に使用していたが、このデータセットは完全に注釈付けされておらず、クラス不均衡を含んでいる。我々は,DeepLesionの11.5%のサブセットを限定的に使用して,ULDTのための自己学習パイプラインを開発した。
論文参考訳（メタデータ） (2025-04-07T15:57:03Z)
A weakly-supervised deep learning model for fast localisation and delineation of the skeleton, internal organs, and spinal canal on Whole-Body Diffusion-Weighted MRI (WB-DWI) [0.0]
3DパッチをベースとしたResidual U-Netアーキテクチャに基づいた,ディープラーニングの自動パイプラインを開発した。進行前立腺癌 (APC) と多発性骨髄腫 (MM) の532検体を含む多心性WB-DWIデータセットを用いた。オートマチックとマニュアルフルボディのADCの相対的な中央値差は10%以下であった。モデルはアトラスベース登録アルゴリズムの12倍高速であった。
論文参考訳（メタデータ） (2025-03-26T17:03:46Z)
MRI-based classification of IDH mutation and 1p/19q codeletion status of gliomas using a 2.5D hybrid multi-task convolutional neural network [0.18374319565577152]
グリオーマにおけるIsocitrate dehydrogenase変異と1p/19q符号欠失は重要な予後マーカーである。我々の目標は、MRIからこれらの分子変化を非侵襲的に決定する人工知能ベースの手法を開発することであった。 2.5Dハイブリッド畳み込みニューラルネットワークは、腫瘍を同時に局在させ、その分子状態を分類するために提案された。
論文参考訳（メタデータ） (2022-10-07T18:46:39Z)
FLANNEL: Focal Loss Based Neural Network Ensemble for COVID-19 Detection [61.04937460198252]
正常, 細菌性肺炎, 非ウイルス性肺炎, COVID-19の4型を有する2874例のX線画像データを構築した。 FLANNEL(Focal Loss Based Neural Ensemble Network)を提案する。 FLANNELは、すべての指標において、新型コロナウイルス識別タスクのベースラインモデルを一貫して上回っている。
論文参考訳（メタデータ） (2020-10-30T03:17:31Z)

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。