Fugu-MT 論文翻訳(概要): An Interpretable Deep Learning Framework for Discovery and Clinical Validation of Deep Radiomic Signatures in Tumor Classification

論文の概要: An Interpretable Deep Learning Framework for Discovery and Clinical Validation of Deep Radiomic Signatures in Tumor Classification

arxiv url: http://arxiv.org/abs/2607.03593v1
Date: Fri, 03 Jul 2026 20:25:21 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-07 22:26:29.662766
Title: An Interpretable Deep Learning Framework for Discovery and Clinical Validation of Deep Radiomic Signatures in Tumor Classification
Title（参考訳）: 腫瘍分類における深部放射線信号の発見と臨床検証のための解釈可能な深部学習フレームワーク
Abstract要約: 画像署名は、腫瘍の診断、特徴付け、予後、治療計画に臨床的に意味のある情報を提供する。深層学習は、画像の署名発見に大きな可能性を示しているが、その限定的な解釈性は、臨床応用の大きな障壁であり続けている。本稿では,深層学習に基づくセグメンテーション,説明可能な分類,放射能解析を統合することで,画像のシグネチャ発見を解釈するための統一的なフレームワークを提案する。
参考スコア（独自算出の注目度）: 16.91416072196545
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Imaging signatures are quantitative features extracted from medical images that provide clinically meaningful information for tumor diagnosis, characterization, prognosis, and treatment planning. Although deep learning has shown great potential for imaging signature discovery, its limited interpretability remains a major barrier to clinical adoption. Existing approaches often achieve high predictive performance but provide little biological insight into the identified signatures. We propose a unified framework for interpretable imaging signature discovery by integrating deep learning based segmentation, explainable classification, and radiomic analysis. A robust segmentation model is first used to accurately delineate tumors, followed by a Grad-CAM guided pipeline that identifies diagnostically important regions as candidate imaging signatures. A mutual information based adaptive thresholding strategy enables patient-specific signature extraction. The resulting signatures are validated using a downstream deep learning classification model, while radiomic features extracted from the signature regions are evaluated with traditional machine learning models and interpreted using SHAP to identify the most discriminative biomarkers. The proposed framework is evaluated on the public BUSI breast ultrasound, KiTS renal CT, and BraTS brain tumor datasets, as well as a private UF Health renal CT cohort. Compared with conventional whole-tumor radiomics, the proposed signature-based approach achieves improved discriminative performance while providing greater biological interpretability. By converting deep learning attention into reproducible quantitative imaging biomarkers, this framework offers an interpretable and reproducible solution for non-invasive tumor characterization and imaging biomarker discovery.
Abstract（参考訳）: 画像署名は、腫瘍の診断、特徴付け、予後、治療計画に臨床的に意味のある情報を提供する医療画像から抽出される定量的特徴である。深層学習は、画像の署名発見に大きな可能性を示しているが、その限定的な解釈性は、臨床応用の大きな障壁であり続けている。既存のアプローチはしばしば高い予測性能を達成するが、識別されたシグネチャについての生物学的洞察はほとんど得られない。本稿では,深層学習に基づくセグメンテーション,説明可能な分類,放射能解析を統合することで,画像のシグネチャ発見を解釈するための統一的なフレームワークを提案する。堅牢なセグメンテーションモデルは、まず腫瘍を正確に記述するために使用され、続いて、診断上重要な領域を候補イメージングシグネチャとして識別するGrad-CAMガイドパイプラインが使用される。相互情報に基づく適応的閾値付け戦略は、患者固有の署名抽出を可能にする。得られたシグネチャを下流のディープラーニング分類モデルを用いて検証し、シグネチャ領域から抽出した放射能特徴を従来の機械学習モデルを用いて評価し、SHAPを用いて最も識別性の高いバイオマーカーを識別する。提案する枠組みは、パブリックなBUSI乳房超音波、KiTS腎CT、BraTS脳腫瘍データセット、およびUF Health renal CTコホートを用いて評価される。従来の全腫瘍放射能と比較すると,シグネチャベースアプローチにより識別性能が向上し,生物学的解釈性が向上する。ディープラーニングの注意を再現可能な定量的イメージングバイオマーカーに変換することにより、非侵襲的な腫瘍のキャラクタリゼーションとイメージングバイオマーカー発見のための解釈可能かつ再現可能なソリューションを提供する。

関連論文リスト

PathSegDiff: Pathology Segmentation using Diffusion model representations [63.20694440934692]
そこで我々は,Latent Diffusion Models (LDMs) を事前学習した特徴抽出器として活用する,病理組織像分割の新しい手法であるPathSegDiffを提案する。本手法は,H&E染色組織像から多彩な意味情報を抽出するために,自己教師型エンコーダによって誘導される病理特異的LCMを用いる。本実験は,BCSSおよびGlaSデータセットにおける従来の手法よりも大幅に改善されたことを示す。
論文参考訳（メタデータ） (2025-04-09T14:58:21Z)
COIN: Counterfactual inpainting for weakly supervised semantic segmentation for medical images [3.5418498524791766]
本研究は, 新規なカウンターファクト・インパインティング・アプローチ(COIN)の開発である。 COINは、予測された分類ラベルを生成モデルを用いて異常から正常に反転させる。本手法の有効性は,エストニアのタルツ大学病院から取得したCT画像から,合成標的と実際の腎腫瘍を分離することによって実証される。
論文参考訳（メタデータ） (2024-04-19T12:09:49Z)
From Pixel to Slide image: Polarization Modality-based Pathological Diagnosis Using Representation Learning [9.326969394501958]
病理組織学的には、甲状腺腫瘍は不適切な検体採取による診断上の課題となる。甲状腺腫瘍の鑑別のための画素レベルのアノテーションとスライスレベルのアノテーションを統合するために,表現学習を用いた3段階モデルを構築した。
論文参考訳（メタデータ） (2024-01-03T02:01:09Z)
BI-RADS-Net: An Explainable Multitask Learning Approach for Cancer Diagnosis in Breast Ultrasound Images [69.41441138140895]
本稿では,乳房超音波画像における癌検出のための新しい深層学習手法であるBI-RADS-Netを紹介する。提案手法は, 臨床診断に関連する特徴表現を学習することにより, 乳腺腫瘍の説明と分類を行うタスクを取り入れたものである。臨床医が医療現場で診断・報告するために使用する形態学的特徴の観点から予測(良性または悪性)の説明が提供される。
論文参考訳（メタデータ） (2021-10-05T19:14:46Z)
RCA-IUnet: A residual cross-spatial attention guided inception U-Net model for tumor segmentation in breast ultrasound imaging [0.6091702876917281]
本稿では,腫瘍セグメンテーションのトレーニングパラメータが最小限に抑えられたRCA-IUnetモデルについて紹介する。 RCA-IUnetモデルは、U-Netトポロジに従い、奥行きの深い分離可能な畳み込みとハイブリッドプール層を持つ。無関係な特徴を抑え、対象構造に焦点を合わせるために、空間横断型アテンションフィルタが加えられる。
論文参考訳（メタデータ） (2021-08-05T10:35:06Z)
G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for Biomarker Identification and Disease Classification [49.53651166356737]
診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。 2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
論文参考訳（メタデータ） (2021-01-27T19:28:04Z)
Lung Nodule Classification Using Biomarkers, Volumetric Radiomics and 3D CNNs [0.0699049312989311]
放射線医のアノテーションとCTスキャンの画像分類を併用して肺悪性度を推定するハイブリッドアルゴリズムを提案する。提案アルゴリズムは3次元畳み込みニューラルネットワーク(CNN)とランダムフォレストを用いて,CT画像とバイオマーカーのアノテーションと放射能の特徴を組み合わせる。画像バイオマーカーのみを用いたモデルは,バイオマーカーをボリュームラジオミクス,3D CNN,セミ教師付き学習と組み合わせたモデルよりも精度が高いことを示す。
論文参考訳（メタデータ） (2020-10-19T18:57:26Z)
Explaining Clinical Decision Support Systems in Medical Imaging using Cycle-Consistent Activation Maximization [112.2628296775395]
ディープニューラルネットワークを用いた臨床意思決定支援は、着実に関心が高まりつつあるトピックとなっている。臨床医は、その根底にある意思決定プロセスが不透明で理解しにくいため、この技術の採用をためらうことが多い。そこで我々は,より小さなデータセットであっても,分類器決定の高品質な可視化を生成するCycleGANアクティベーションに基づく,新たな意思決定手法を提案する。
論文参考訳（メタデータ） (2020-10-09T14:39:27Z)
Robust Pancreatic Ductal Adenocarcinoma Segmentation with Multi-Institutional Multi-Phase Partially-Annotated CT Scans [25.889684822655255]
膵管腺癌(PDAC)セグメンテーションは最も困難な腫瘍セグメンテーションの1つである。新たな自己学習フレームワークに基づいて,より多量の患者を用いてPDACセグメンテーションモデルを訓練することを提案する。実験の結果,提案手法は,注釈付き画像に基づいてトレーニングしたnnUNetの強いベースラインに対して,Diceスコアの6.3%を絶対的に改善することを示した。
論文参考訳（メタデータ） (2020-08-24T18:50:30Z)
Spectral-Spatial Recurrent-Convolutional Networks for In-Vivo Hyperspectral Tumor Type Classification [49.32653090178743]
ハイパースペクトル画像とディープラーニングを用いたin-vivo腫瘍型分類の可能性を示した。我々の最良のモデルは76.3%のAUCを達成し、従来の学習手法とディープラーニング手法を著しく上回っている。
論文参考訳（メタデータ） (2020-07-02T12:00:53Z)
Weakly supervised multiple instance learning histopathological tumor segmentation [51.085268272912415]
スライド画像全体のセグメント化のための弱教師付きフレームワークを提案する。トレーニングモデルに複数のインスタンス学習スキームを利用する。提案するフレームワークは,The Cancer Genome AtlasとPatchCamelyonデータセットのマルチロケーションとマルチ中心公開データに基づいて評価されている。
論文参考訳（メタデータ） (2020-04-10T13:12:47Z)

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。