Fugu-MT 論文翻訳(概要): Revealing Mammographic Phenotypes in Deep Learning Breast Cancer Risk Models

論文の概要: Revealing Mammographic Phenotypes in Deep Learning Breast Cancer Risk Models

arxiv url: http://arxiv.org/abs/2606.26431v1
Date: Wed, 24 Jun 2026 22:44:09 GMT
ステータス: 翻訳完了
システム内更新日: 2026-06-26 18:46:32.095486
Title: Revealing Mammographic Phenotypes in Deep Learning Breast Cancer Risk Models
Title（参考訳）: 深層学習乳癌リスクモデルにおけるマンモグラフィーの検索
Abstract要約: 既存の解釈可能性法は、単一画像のサリエンシマップに依存している。事前訓練したMiraiモデルからのパッチ埋め込みをクラスタリングすることにより,5年にわたるがんリスクに関連する再発表現型を分離する。
参考スコア（独自算出の注目度）: 10.958527160413558
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Mammogram-based deep learning models have improved breast cancer risk prediction, but the learned imaging patterns remain underexplored. Existing interpretability methods rely on single-image saliency maps, failing to identify recurring mammographic phenotypes across large patient cohorts. By clustering patch embeddings from a pre-trained model, Mirai, we isolate recurring phenotypes linked to 5-year cancer risk. Analyses show risk-increasing phenotypes capture complex structures (e.g., dense tissue, microcalcifications) and shortcut artifacts (e.g., clips). These phenotypes correlate strongly with older age and higher BI-RADS density. Our framework connects tissue patterns to AI risk scores, revealing clinical signatures and potential latent model confounders.
Abstract（参考訳）: 乳がんのリスク予測は,マンモグラムに基づくディープラーニングモデルによって改善されている。既存の解釈可能性法は単一画像のサリエンシマップに依存しており、大きな患者コホートにまたがる再発するマンモグラフィーの表現型を識別できない。事前訓練したMiraiモデルからのパッチ埋め込みをクラスタリングすることにより,5年にわたるがんリスクに関連する再発表現型を分離する。分析によると、リスクの増加する表現型は複雑な構造(例えば、高密度組織、微小石灰化)とショートカットアーティファクト(例、クリップ)をキャプチャする。これらの表現型は老齢とBI-RADS密度と強く相関する。我々のフレームワークは、組織パターンとAIリスクスコアを結びつけ、臨床症状と潜在的な潜在モデル共同創設者を明らかにします。

関連論文リスト

Longitudinal Multi-View Breast Cancer Risk Prediction [20.98092150618352]
LMV-Netは長手多視点乳がんリスク予測モデルである。解剖学的に相補的なCCとMLOのビューを、明示的に整列された縦長のフレームワーク内で共同で解析する。我々のモデルは、全体的なリスク予測性能において、既存のアプローチを一貫して上回ります。
論文参考訳（メタデータ） (2026-07-13T10:06:04Z)
Investigating the Impact of Histopathological Foundation Models on Regressive Prediction of Homologous Recombination Deficiency [52.50039435394964]
回帰に基づくタスクの基礎モデルを体系的に評価する。我々は5つの最先端基礎モデルを用いて、スライド画像全体(WSI)からパッチレベルの特徴を抽出する。乳房、子宮内膜、肺がんコホートにまたがるこれらの抽出された特徴に基づいて、連続したRDDスコアを予測するモデルが訓練されている。
論文参考訳（メタデータ） (2026-01-29T14:06:50Z)
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)
The LongiMam model for improved breast cancer risk prediction using longitudinal mammograms [0.0]
LongiMamは、現在と4つの先行するマンモグラムを統合したエンドツーエンドのディープラーニングモデルである。 LongiMamは、先行マンモグラフィーを含む場合の予測を継続的に改善した。乳房密度の経時変化が観察された女性では, モデルが最も良好であった。
論文参考訳（メタデータ） (2025-09-23T15:57:55Z)
STA-Risk: A Deep Dive of Spatio-Temporal Asymmetries for Breast Cancer Risk Prediction [1.600919533339807]
STA-Risk は乳がんリスク予測のための両側および縦アシンメトリーからの微細なマンモグラフィー画像の進化を同時に捉えている。 2つの独立したマンモグラフィーデータセットを用いて広範な実験を行い、1～5年間のリスク予測のために4つの代表的なSOTAモデルよりも優れた性能を示した。
論文参考訳（メタデータ） (2025-05-27T19:38:23Z)
TopoTxR: A topology-guided deep convolutional network for breast parenchyma learning on DCE-MRIs [49.69047720285225]
そこで本研究では,乳房側葉構造をよりよく近似するために,マルチスケールのトポロジ構造を明示的に抽出する新しいトポロジカルアプローチを提案する。 VICTREファントム乳房データセットを用いてemphTopoTxRを実験的に検証した。本研究の質的および定量的分析は,乳房組織における画像診断におけるトポロジカルな挙動を示唆するものである。
論文参考訳（メタデータ） (2024-11-05T19:35:10Z)
Penalized Deep Partially Linear Cox Models with Application to CT Scans of Lung Cancer Patients [42.09584755334577]
肺がんは世界中のがん死亡の原因であり、効果的な治療法を設計するための死亡リスクを理解することの重要性を強調している。 NLST(National Lung Screening Trial)は、肺がん患者の死亡リスクを定量化するために、CTテクスチャ解析を用いている。本稿では,SCADペナルティを組み込んで重要なテクスチャ特徴を抽出し,深層ニューラルネットワークを用いてモデルの非パラメトリック成分を推定する,Pentalized Deep partially Linear Cox Model (Penalized DPLC)を提案する。
論文参考訳（メタデータ） (2023-03-09T15:38:16Z)
Unsupervised ensemble-based phenotyping helps enhance the discoverability of genes related to heart morphology [57.25098075813054]
我々はUn Phenotype Ensemblesという名の遺伝子発見のための新しいフレームワークを提案する。教師なしの方法で学習された表現型のセットをプールすることで、冗長だが非常に表現性の高い表現を構築する。これらの表現型は、(GWAS)を介して分析され、高い自信と安定した関連のみを保持する。
論文参考訳（メタデータ） (2023-01-07T18:36:44Z)
Mapping the landscape of histomorphological cancer phenotypes using self-supervised learning on unlabeled, unannotated pathology slides [9.27127895781971]
病理形態学的現象型学習は、小さな画像タイルにおける識別画像の特徴の自動発見を通じて行われる。タイルは、組織形態学的表現型のライブラリを構成する形態学的に類似したクラスターに分類される。
論文参考訳（メタデータ） (2022-05-04T08:06:55Z)
rfPhen2Gen: A machine learning based association study of brain imaging phenotypes to genotypes [71.1144397510333]
56個の脳画像QTを用いてSNPを予測する機械学習モデルを学習した。アルツハイマー病(AD)リスク遺伝子APOEのSNPは、ラスソとランダムな森林に対して最低のRMSEを有していた。ランダム・フォレストは、線形モデルによって優先順位付けされなかったが、脳関連疾患と関連があることが知られている追加のSNPを特定した。
論文参考訳（メタデータ） (2022-03-31T20:15:22Z)
Breast Cancer Induced Bone Osteolysis Prediction Using Temporal Variational Auto-Encoders [65.95959936242993]
骨分解性骨病変の進展を正確に予測し,可視化する深層学習フレームワークを開発した。乳癌患者の骨格関連事象(SRE)を予防するための治療戦略の計画と評価を支援する。
論文参考訳（メタデータ） (2022-03-20T21:00:10Z)
Decoupling Inherent Risk and Early Cancer Signs in Image-based Breast Cancer Risk Models [9.617060529449859]
3つの異なる基準を用いてネットワークをトレーニングし、肯定的なデータを選択する。短期リスクはがんの兆候モデルにより推定されるのに対し、長期リスクは本質的なリスクモデルによって推定される。すべての画像による注意深いトレーニングは、早期がんの兆候と固有のリスクを混同し、最適以下の見積もりをもたらす。
論文参考訳（メタデータ） (2020-07-11T15:04:28Z)

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。