論文の概要: Learning Where to Look: A Reinforcement Learning Framework for Robust Micro-Ultrasound Prostate Cancer Detection

• arxiv url: http://arxiv.org/abs/2606.30951v1
• Date: Mon, 29 Jun 2026 22:07:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-01 18:27:19.010716
• Title: Learning Where to Look: A Reinforcement Learning Framework for Robust Micro-Ultrasound Prostate Cancer Detection
• Title（参考訳）: 見え方を学ぶ:ロバストなマイクロ超音波前立腺癌検出のための強化学習フレームワーク
• Abstract要約: Prost-RLは、デコードの前にどこで見るべきかを学ぶことによって、空間的に認識されポリシー駆動の推論問題として、$US PCa検出を再設定する。 Prost-RLは、軽量強化学習ポリシーを基礎モデルエンコーダデコーダに統合し、解釈可能な空間アテンションマップを生成する。 693人の患者の6,607個の生検コアにおいて、Prost-RLは7,9.0pm3.5$ AUROCを獲得し、6,4.6pm6.3$%の感度でコアレベルの検出を行う。
• 参考スコア（独自算出の注目度）: 3.289558200859529
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Micro-ultrasound ($μ$US) is a new, emerging, and promising imaging modality for prostate cancer (PCa) detection, but accurate identification of suspicious tissue remains highly dependent on clinical experience, leading to substantial inter-observer variability. Machine-learning assistance can reduce this variability; however, training reliable deep models is challenging because supervision is sparse and noisy -- typically limited to core-level histopathology outcomes (e.g., cancer grade and its percentage in a biopsy core) without pixel-level lesion annotations and under severe class imbalance. We introduce Prost-RL, which reframes $μ$US PCa detection as a spatially aware, policy-driven inference problem by learning where to look before decoding. Prost-RL integrates a lightweight reinforcement-learning policy into a foundation-model encoder-decoder to generate interpretable spatial attention maps that act as soft prompts for both cancer-likelihood heatmap prediction and image-level classification. We further propose Adaptive Policy Optimization (APO) to stabilize hybrid supervised-RL training and a noise-robust objective combining symmetric cross-entropy with negative-entropy regularization to mitigate weak-label noise and encourage sharp localization. On a cohort of 6,607 biopsy cores from 693 patients across five clinical sites, Prost-RL achieves $79.0\pm3.5$ AUROC with $64.6\pm6.3$% sensitivity at 80% specificity for core-level detection (+2.1 AUROC and +4.5 sensitivity points over the strongest baseline), and $79.3\pm5.8$ AUROC for clinically significant cancer classification. The learned policy highlights biopsy-aligned regions, providing transparent, spatially grounded evidence alongside quantitative risk predictions. Code is available at: https://github.com/DeepRCL/Prost-RL.
• Abstract（参考訳）: Micro-ultrasound (μ$US) は前立腺癌(PCa)の検出のための新しい画像モダリティである。 しかし、信頼できる深層モデルのトレーニングは、監督が希少でノイズが多いため、通常、ピクセルレベルの病変アノテーションを伴わずにコアレベルの病理組織学的結果(例えば、がんのグレードと生検コアの比率)に制限されるため、難しい。 そこで我々はProst-RLを導入し,$μ$US PCa検出を空間認識型ポリシー駆動推論問題として,復号前に見るべき場所を学習することで再構成する。 Prost-RLは、軽量強化学習ポリシーを基礎モデルエンコーダデコーダに統合し、ガン様の熱マップ予測と画像レベルの分類の両方のソフトプロンプトとして機能する解釈可能な空間アテンションマップを生成する。 さらに、ハイブリッド教師付きRLトレーニングの安定化と、対称的クロスエントロピーと負エントロピー正規化を組み合わせたノイズロバスト目標のための適応ポリシー最適化(APO)を提案し、弱いラベル雑音を緩和し、鋭い局所化を促進する。 5つの臨床現場で693人の患者から得られた6,607個の生検コアで、Prost-RLは69.0\pm3.5$ AUROCと6,4.6\pm6.3$%の感度でコアレベルの検出(+2.1 AUROCと+4.5の感度ポイント)、そして臨床的に重要ながん分類のための79.3\pm5.8$ AUROCを達成している。 学習された方針は、生検に沿った領域を強調し、定量的リスク予測とともに透明で空間的に根拠づけられた証拠を提供する。 コードは、https://github.com/DeepRCL/Prost-RL.comで入手できる。

関連論文リスト

• Learning Prostate Anatomy at Test Time for Cancer Detection in Micro-Ultrasound [24.492164115951358]
  臨床センター間のドメインシフトは、前立腺がん検出のためのディープラーニングモデルをデプロイする上で、依然として基本的な障壁である。 本稿では,ガン検出エンコーダを対象領域に適応させるセグメンテーション誘導型TTAフレームワークANTを提案する。 このモデルは、マルチセンター臨床試験において、初期のマイクロ超音波スキャナーで画像化した693人の患者で訓練され、2つのセンターにまたがる新しい世代のシステムで得られた118人の患者で評価された。
  論文  参考訳（メタデータ） (2026-08-20T20:36:40Z)
• Histopathological Spectrum-Guided Prostate Stratification via Segmentation-Assisted Diagnostic Transformer [29.021037203684227]
  前立腺癌の病理組織学的スペクトルデータセット(PCa-HSD)を構築する。 本研究は,前立腺癌と診断し易い良性病変の表現不足に対処し,臨床的に有意義な4クラス分類課題を定式化する。 提案法は,344例のコホートを用いた5倍のクロスバリデーションにおいて,背骨平均精度0.633,ジョイントリコール0.768を連続的に改善する。
  論文  参考訳（メタデータ） (2026-07-19T10:03:47Z)
• A deep learning pipeline for PAM50 subtype classification using histopathology images and multi-objective patch selection [0.2958068627971103]
  PAM50遺伝子シグネチャは、乳がんを固有のサブタイプに分類する標準として広く認識されている。 本研究では,コストのかかる分子アッセイへの依存を減らすことを目的とした,新しい最適化駆動型ディープラーニングフレームワークを提案する。 提案手法は,非支配的ソート遺伝的アルゴリズムII(NSGA-II)とモンテカルロのドロップアウトに基づく不確実性推定を組み合わせ,パッチ情報量,空間的多様性,不確実性,パッチ数などを共同で最適化する。
  論文  参考訳（メタデータ） (2026-04-02T09:13:24Z)
• Maximizing T2-Only Prostate Cancer Localization from Expected Diffusion Weighted Imaging [68.57480103120561]
  マルチパラメトリックMRIは前立腺癌の検出と局所化のための第一線非侵襲的アプローチとしてますます推奨されている。 T2w画像のみを用いた早期機械学習の試みは、放射線医に注釈された病変の診断に有望な性能を示した。 本研究は、T2wのみを推論に用いて、独立した病理組織学的ラベルに基づいて個々のがんを局在させる、より難しい応用について検討する。
  論文  参考訳（メタデータ） (2026-04-01T14:50:18Z)
• Adaptive Detector-Verifier Framework for Zero-Shot Polyp Detection in Open-World Settings [7.768426131383283]
  既存のアプローチは、コントロールされた検査条件と臨床実践の間の領域ギャップに苦慮している。 本稿では、視覚言語モデル(VLM)検証器を備えたYOLOv11検出器からなる新しい2段階検出器検証フレームワークであるAdaptiveDetectorを提案する。 この適応しきい値とコスト感受性強化学習の組み合わせは、臨床的に整合したオープンワールドポリープ検出を実現し、偽陰性は極めて少ない。
  論文  参考訳（メタデータ） (2025-12-13T23:33:05Z)
• PolypSeg-GradCAM: Towards Explainable Computer-Aided Gastrointestinal Disease Detection Using U-Net Based Segmentation and Grad-CAM Visualization on the Kvasir Dataset [7.02937797539818]
  大腸癌(CRC)は、世界中のがん関連死亡率と死亡率の主要な原因の1つである。 深層学習法は自動ポリープ解析の強力な可能性を示しているが、その限定的な解釈性は臨床応用の障壁である。 本稿では,U-NetアーキテクチャとGradient-weighted Class Activation Mapping (Grad-CAM)を統合し,透過的なPolypセグメンテーションを実現するフレームワークであるPolypSeg-GradCAMを提案する。
  論文  参考訳（メタデータ） (2025-09-17T02:57:33Z)
• Boosting Pathology Foundation Models via Few-shot Prompt-tuning for Rare Cancer Subtyping [80.92960114162746]
  視覚言語病理基盤モデルの可能性を生かした新しいフレームワークPathPTを提案する。 PathPTは、WSIレベルの監視を、VLモデルのゼロショット機能を活用することで、きめ細かいタイルレベルのガイダンスに変換する。 以上の結果から,PathPTは一貫して優れた性能を示し,サブタイピング精度と癌領域の接地能力を著しく向上することが示された。
  論文  参考訳（メタデータ） (2025-08-21T18:04:41Z)
• TRUSWorthy: Toward Clinically Applicable Deep Learning for Confident Detection of Prostate Cancer in Micro-Ultrasound [3.8208601340697386]
  信頼性の高いPCa検出システムであるTRUSWorthyを提案する。 我々のパイプラインは、自己教師付き学習、トランスフォーマーを用いたマルチインスタンス学習集約、ランダムアンサンプブーピング、およびアンサンブルを統合している。 本手法は,従来の最先端のディープラーニング手法よりも精度と不確実性の校正に優れていた。
  論文  参考訳（メタデータ） (2025-02-20T16:31:24Z)
• Boosting Medical Image-based Cancer Detection via Text-guided Supervision from Reports [68.39938936308023]
  本研究では, 高精度ながん検出を実現するための新しいテキスト誘導学習法を提案する。 本手法は,大規模プレトレーニングVLMによる臨床知識の活用により,一般化能力の向上が期待できる。
  論文  参考訳（メタデータ） (2024-05-23T07:03:38Z)
• 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)
• Lung Cancer Lesion Detection in Histopathology Images Using Graph-Based Sparse PCA Network [93.22587316229954]
  ヘマトキシリンとエオシン(H&E)で染色した組織学的肺スライドにおける癌病変の自動検出のためのグラフベーススパース成分分析(GS-PCA)ネットワークを提案する。 我々は,SVM K-rasG12D肺がんモデルから得られたH&Eスライダーの精度・リコール率,Fスコア,谷本係数,レシーバ演算子特性(ROC)の曲線下領域を用いて,提案アルゴリズムの性能評価を行った。
  論文  参考訳（メタデータ） (2021-10-27T19:28:36Z)
• Controlling False Positive/Negative Rates for Deep-Learning-Based Prostate Cancer Detection on Multiparametric MR images [58.85481248101611]
  そこで本研究では,病変からスライスまでのマッピング機能に基づく,病変レベルのコスト感受性損失と付加的なスライスレベルの損失を組み込んだ新しいPCa検出ネットワークを提案する。 1) 病変レベルFNRを0.19から0.10に, 病変レベルFPRを1.03から0.66に減らした。
  論文  参考訳（メタデータ） (2021-06-04T09:51:27Z)

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。