論文の概要: Human and AI collaboration for pulmonary nodule segmentation

• arxiv url: http://arxiv.org/abs/2606.22486v1
• Date: Sun, 21 Jun 2026 13:11:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-25 17:58:20.112672
• Title: Human and AI collaboration for pulmonary nodule segmentation
• Title（参考訳）: 肺結節分節に対するヒトとAIの連携
• Authors: Hongqiao Dong, Wenhao Chi, Ruobing Liang, Xiaokui Yang, Wenhua Liang, Peng Hou, Wenjun Pu, Yipeng Zhao, Ping Chen, Haiping Liu, Jianxing He, Bo Liu,
• Abstract要約: In-the-loop segmentation framework for lung nodules built on the Segment Anything Model (SAM)について述べる。 12センターで1,179例の胸部CT検査を行い,ヒト-SAMセグメンテーションの大規模外的検証を行った。 Hi-SegはDiceの平均スコアを85%近く達成し、最先端のディープラーニングモデル5つを10-22%、SAMの変種13つを1-29%上回った。
• 参考スコア（独自算出の注目度）: 4.52487597620753
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Medical expert annotators are scarce, and blind reliance on artificial intelligence (AI) can be misleading, motivating approaches in which humans, particularly junior medical trainees or even non-medical personnel, collaborate with AI to achieve robust medical segmentation. Although the Segment Anything Model (SAM) shows promise for general-purpose image segmentation, its performance in human-AI collaboration for specialized medical tasks has not been thoroughly evaluated. Here we present Hi-Seg, a human-in-the-loop segmentation framework for pulmonary nodules built on SAM. Humans iteratively refine prompts through trial-and-error learning and semantic reasoning, progressively guiding SAM toward higher-quality masks. Using chest CT scans from 1,179 patients across 12 centers, we conducted the first large-scale external validation of collaborative human-SAM segmentation. Across all annotator groups, Hi-Seg achieved a mean Dice score of almost 85%, outperforming five state-of-the-art deep learning models by 10-22% and 13 SAM variants by 1-29%. Hi-Seg improved segmentation accuracy while reducing annotation time for medical annotators, and briefly trained non-medical annotators achieved performance comparable to that of the junior medical student. These findings suggest that human-in-the-loop segmentation can reduce clinician workload, enable scalable crowdsourced annotation, and transform clinical workflows by facilitating the safe and efficient integration of foundation models into routine clinical practice.
• Abstract（参考訳）: 医療専門家のアノテータは乏しく、人工知能(AI)への盲目な依存は誤解を招く可能性がある。 SAM(Segment Anything Model)は汎用画像セグメンテーションを約束するが、専門的な医療タスクのための人間とAIのコラボレーションにおける性能は十分に評価されていない。 本稿では,SAM上に構築された肺結節のヒト・イン・ザ・ループ・セグメンテーション・フレームワークであるHi-Segを紹介する。 人間は、試行錯誤学習と意味論的推論を通じて反復的にプロンプトを洗練し、SAMを高品質なマスクへと徐々に導く。 12センターで1,179例の胸部CT検査を行い,ヒト-SAMセグメンテーションの大規模外的検証を行った。 すべてのアノテータ群で、Hi-Segは平均85%のDiceスコアを達成し、最先端のディープラーニングモデル5つを10-22%、SAMの変種13つを1-29%上回った。 Hi-Segは,医用アノテータのアノテーション時間を短縮しつつセグメンテーションの精度を向上し,短命に訓練された非医療用アノテータは,中等生のアノテータに匹敵する性能を達成した。 これらの結果から,ヒト・イン・ザ・ループのセグメンテーションが臨床の作業量を削減し,クラウドソーシングのスケーラブルなアノテーションを実現し,ファンデーションモデルの安全かつ効率的な統合を日常的な臨床実践に促すことで,臨床ワークフローを変換できることが示唆された。

関連論文リスト

• Cerebra: A Multidisciplinary AI Board for Multimodal Dementia Characterization and Risk Assessment [56.62016795093786]
  CerebraはインタラクティブなマルチエージェントAIチームで、ERH、臨床ノート、医療画像分析のための特殊エージェントをコーディネートする。 構造化された表現を操作することで、プライバシ保護デプロイメントをサポートし、モダリティが不完全であれば、堅牢である。 Cerebraは、有識者のパフォーマンスを著しく改善し、前向き認知症リスク推定において精度を17.5ポイント向上させた。
  論文  参考訳（メタデータ） (2026-03-23T05:46:45Z)
• MedSAM-Agent: Empowering Interactive Medical Image Segmentation with Multi-turn Agentic Reinforcement Learning [53.37068897861388]
  MedSAM-Agentは、対話的なセグメンテーションを多段階の自律的な意思決定プロセスとして再構築するフレームワークである。 マルチターン・エンド・ツー・エンドの成果検証を統合した2段階のトレーニングパイプラインを開発した。 6つの医療モダリティと21のデータセットにわたる実験は、MedSAM-Agentが最先端のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2026-02-03T09:47:49Z)
• NeuroABench: A Multimodal Evaluation Benchmark for Neurosurgical Anatomy Identification [56.133469598652624]
  MLLM(Multimodal Large Language Models)は、外科的ビデオ理解において大きな可能性を秘めている。 Neurosurgical Anatomy Benchmark (NeuroABench)は、神経外科領域における解剖学的理解を評価するために明示的に作成された最初のマルチモーダルベンチマークである。 NeuroABenchは89の異なる手順をカバーする9時間の注釈付き神経外科ビデオで構成されている。
  論文  参考訳（メタデータ） (2025-12-07T17:00:25Z)
• MedSAMix: A Training-Free Model Merging Approach for Medical Image Segmentation [21.766481181140527]
  医用画像セグメンテーションのためのトレーニングフリーモデルマージ手法であるMedSAMixを提案する。 MedSAMixは、ドメイン固有の精度と一般化の両方において、一貫して性能を改善していることを示す。 臨床応用として,ドメイン固有性と一般化可能性の要求を満たすための2つの体制を開発する。
  論文  参考訳（メタデータ） (2025-08-14T19:35:57Z)
• A Continual Learning-driven Model for Accurate and Generalizable Segmentation of Clinically Comprehensive and Fine-grained Whole-body Anatomies in CT [67.34586036959793]
  完全に注釈付きCTデータセットは存在せず、すべての解剖学がトレーニングのために記述されている。 完全解剖を分割できる連続学習駆動CTモデルを提案する。 単体CT分割モデルCL-Netは, 臨床的に包括的に包括的に235個の粒状体解剖の集合を高精度に分割することができる。
  論文  参考訳（メタデータ） (2025-03-16T23:55:02Z)
• Assessing Foundational Medical 'Segment Anything' (Med-SAM1, Med-SAM2) Deep Learning Models for Left Atrial Segmentation in 3D LGE MRI [0.0]
  心房細動(AF)は心不整脈の最も一般的な疾患であり、心不全や脳卒中と関連している。 多様なデータセットで事前トレーニングされたSegment Anything Model(SAM)のようなディープラーニングモデルは、ジェネリックセグメンテーションタスクにおいて有望であることを示している。 MedSAMモデルの可能性にもかかわらず、3D LGE-MRIにおけるLAセグメンテーションの複雑なタスクについてはまだ評価されていない。
  論文  参考訳（メタデータ） (2024-11-08T20:49:54Z)
• Exploiting the Segment Anything Model (SAM) for Lung Segmentation in Chest X-ray Images [0.8192907805418583]
  Segment Anything Model (SAM) は、ある画像内の個々のオブジェクトを意味論的解釈によって識別し、分離するために設計された野心的なツールである。 何人かの研究者が、この領域のパフォーマンスを評価するために、このモデルを医療画像上でテストし始めた。 本研究は胸部X線画像の評価と研究にこの新技術を用いることを提案する。
  論文  参考訳（メタデータ） (2024-11-05T12:54:01Z)
• Improving Segment Anything on the Fly: Auxiliary Online Learning and Adaptive Fusion for Medical Image Segmentation [52.172885882728174]
  医療画像の文脈では、SAMがそのセグメンテーション予測を生成した後、人間の専門家が特定のテストサンプルのセグメンテーションを修正することは珍しくない。 我々は、オンライン機械学習の利点を活用して、テスト期間中にSegment Anything(SA)を強化する新しいアプローチを導入する。 医用画像におけるSAのセグメンテーション品質を改善することを目的として,オンライン学習のための修正アノテーションを用いた。
  論文  参考訳（メタデータ） (2024-06-03T03:16:25Z)
• nnSAM: Plug-and-play Segment Anything Model Improves nnUNet Performance [12.169801149021566]
  Segment Anything Model (SAM)は、特定のドメイントレーニングなしで画像セグメンテーションのための汎用ツールとして登場した。 nnUNetのような従来のモデルは推論中に自動セグメンテーションを実行するが、広範なドメイン固有のトレーニングが必要である。 提案するnnSAMは,SAMの頑健な特徴抽出とnnUNetの自動構成を統合し,小さなデータセットのセグメンテーション精度を向上させる。
  論文  参考訳（メタデータ） (2023-09-29T04:26:25Z)

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。