論文の概要: Artificial Intelligence Across the Cardiac Amyloidosis Diagnostic Pathway: From Single-Modality Detection to Multimodal Clinical Integration
- arxiv url: http://arxiv.org/abs/2607.09948v1
- Date: Fri, 10 Jul 2026 20:02:50 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-14 15:40:48.250951
- Title: Artificial Intelligence Across the Cardiac Amyloidosis Diagnostic Pathway: From Single-Modality Detection to Multimodal Clinical Integration
- Title（参考訳）: 心臓アミロイドーシス診断経路における人工知能 : 単一モード検出から多モード臨床統合まで
- Abstract要約: 心アミロイドーシス (CA) はますます認識されるが, ほとんど診断されていない。
機械学習とディープラーニングは、診断と管理の経路を越えて適用されている。
- 参考スコア（独自算出の注目度）: 4.135101075562519
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Cardiac amyloidosis (CA) is increasingly recognized but remains substantially underdiagnosed, because its clinical and imaging phenotype overlaps with more common cardiomyopathies. Definitive subtype assignment and management further require integration of multimodal evidence to distinguish transthyretin from light chain disease. Machine learning and deep learning have been applied across the diagnostic and management pathway. These applications span ECG, echocardiography, and health record-based case finding, as well as CMR and nuclear interpretation, including SPECT/CT biomarker quantification, prognostic modeling, and treatment response assessment. This narrative review synthesizes these studies by clinical tasks, namely screening, detection, quantification, prognosis, and treatment response monitoring, rather than by input modality. This task-based organization clarifies why apparently similar AI models require different cohorts, reference standards, evaluation metrics, and implementation thresholds. The evidence reveals a maturity gradient. Binary detection and AI assisted quantification on bone scintigraphy and SPECT/CT are closest to clinical translation. Detection is supported by large externally validated cohorts, and quantification by interpretable, outcome linked measurement of myocardial tracer burden. By contrast, subtype aware classification, prognostic risk stratification, and treatment response monitoring remain at an early stage. These tasks are limited by small cohorts, enriched retrospective designs, heterogeneous labels, incomplete external validation, and uncertain calibration in realistic prevalence settings. Across tasks, high discrimination alone is insufficient.
- Abstract（参考訳）: 心アミロイドーシス (CA) の診断はますます進んでいるが, 臨床像, 画像像はより一般的な心筋症と重なるため, 診断に乏しい。
決定的なサブタイプ割り当てと管理は、トランスサイレチンと軽鎖病を区別するために、マルチモーダルなエビデンスを統合する必要がある。
機械学習とディープラーニングは、診断と管理の経路を越えて適用されている。
これらの応用は、心電図、心エコー図、健康記録に基づく症例発見、CMRと核の解釈、SPECT/CTバイオマーカー定量化、予後モデリング、治療反応評価に及びます。
本総説では, これらの研究を, 入力モダリティではなく, スクリーニング, 検出, 定量化, 予後, 治療応答モニタリングといった臨床タスクで合成する。
このタスクベースの組織は、類似したAIモデルが異なるコホート、参照標準、評価指標、実装しきい値を必要とする理由を明らかにしている。
その証拠は成熟度勾配を示している。
骨シンチグラフィーとSPECT/CTのバイナリ検出とAIによる定量化は臨床翻訳に最も近い。
検出は、大きな外的検証コホートによって支援され、心筋トレーサー負荷の解釈、結果関連測定によって定量化される。
対照的に、サブタイプ意識分類、予後リスク階層化、治療応答モニタリングは、まだ初期段階にある。
これらのタスクは、小さなコホート、豊富な振り返りデザイン、異種ラベル、不完全な外部検証、現実的な有病率設定の不確実な校正によって制限されている。
タスク全体において、高い差別だけでは不十分です。
関連論文リスト
- SUP-MIMIC: A Multi-Task Clinical Diagnosis Benchmark for Evaluating LLMs' Robustness to Contradictory Evidence [27.184935350216715]
既存のベンチマークでは、大きな言語モデルが診断の曖昧さのシナリオに必要な推論能力を持っているかどうかを判断できない。
MIMIC-IV-v3.1を利用したマルチタスクフレームワークSUP-MIMICを提案する。
論文 参考訳（メタデータ） (2026-08-30T05:59:47Z) - MLPTR-CC: Multi-label Pathology Test Recommendation using Classifier Chains and SHAP [0.0]
病理検査を多ラベル分類問題として定式化する。
本稿では,ロジスティック回帰,決定木,ランダム林,およびそれらのアンサンブルを用いて,テスト間のラベル依存性をキャプチャするAIベースのフレームワークを提案する。
論文 参考訳（メタデータ） (2026-07-09T09:41:34Z) - Clinical Cognition Alignment for Gastrointestinal Diagnosis with Multimodal LLMs [63.535652574541764]
MLLM(Multimodal Large Language Models)は医用画像解析において顕著な可能性を示した。
消化器内視鏡におけるそれらの応用は、現在、2つの重要な限界によって妨げられている。
本稿では,これらの課題に対処する新しい臨床認知アライメント(CogAlign)フレームワークを提案する。
論文 参考訳（メタデータ） (2026-03-21T07:47:37Z) - Agentic Cognitive Profiling: Realigning Automated Alzheimer's Disease Detection with Clinical Construct Validity [66.94391219005291]
本稿では,臨床プロトコルロジックによる自動スクリーニングを実現するエージェント認知プロファイリング(ACP)を提案する。
我々の設計の中心は、すべての定量化を決定論的関数呼び出しに委譲することで、測定から意味的理解を分離することである。
ACPは、タスク試験で90.5%のスコアマッチ率、AD予測で85.3%の精度を達成し、一般的な基準を上回っている。
論文 参考訳（メタデータ） (2026-03-18T06:15:35Z) - AgentsEval: Clinically Faithful Evaluation of Medical Imaging Reports via Multi-Agent Reasoning [73.50200033931148]
本稿では,放射線科医の協調診断ワークフローをエミュレートしたマルチエージェントストリーム推論フレームワークであるAgensEvalを紹介する。
評価プロセスを基準定義、エビデンス抽出、アライメント、一貫性スコアなどの解釈可能なステップに分割することで、AgensEvalは明確な推論トレースと構造化された臨床フィードバックを提供する。
実験結果から,AgensEvalは,言い換え,意味的,スタイリスティックな摂動の下でも頑健な臨床的整合性,意味的忠実性,解釈可能な評価を提供することが示された。
論文 参考訳（メタデータ） (2026-01-23T11:59:13Z) - Simulating Viva Voce Examinations to Evaluate Clinical Reasoning in Large Language Models [51.91760712805404]
大規模言語モデル(LLM)におけるシーケンシャルな臨床推論を評価するためのベンチマークであるVivaBenchを紹介する。
本データセットは,医療訓練における(口頭)検査をシミュレートする対話的シナリオとして構成された1762名の医師による臨床ヴィグネットから構成される。
本分析では,臨床における認知的誤りを反映するいくつかの障害モードを同定した。
論文 参考訳（メタデータ） (2025-10-11T16:24:35Z) - Multimodal Carotid Risk Stratification with Large Vision-Language Models: Benchmarking, Fine-Tuning, and Clinical Insights [3.5469990240092373]
本研究では,マルチモーダル頸動脈プラーク評価のための最先端および最近の大規模視覚言語モデル (LVLM) の可能性について検討した。
インタビュースタイルの質問シーケンスを通じて現実的な診断シナリオをシミュレートするフレームワークを提案する。
実験の結果、LVLMが非常に強力であるとしても、すべてのLVLMが画像のモダリティと解剖を正確に識別できるわけではないことが判明した。
論文 参考訳（メタデータ） (2025-10-03T11:48:12Z) - Detecting and clustering swallow events in esophageal long-term high-resolution manometry [48.688209040613216]
深達度学習に基づく飲み込み検出法を提案し, 二次性非解離性食道運動障害を正確に同定する。
われわれは,25 LTHRMで計算パイプラインを評価し,医療専門家の注意を喚起した。
論文 参考訳（メタデータ） (2024-05-02T09:41:31Z) - Comprehensive framework for evaluation of deep neural networks in detection and quantification of lymphoma from PET/CT images: clinical insights, pitfalls, and observer agreement analyses [0.9958347059366389]
本研究はPET/CT画像からの自動リンパ腫分離における重要なギャップに対処する。
深層学習は悪性リンパ腫の病巣分類に応用されているが, アウト・オブ・ディストリビューション検査を取り入れた研究はほとんどない。
高い代謝活性を有する大強度病変に対して,ネットワークがより優れた性能を示すことを示す。
論文 参考訳（メタデータ） (2023-11-16T06:58:46Z) - Uncertainty Quantification in Machine Learning Based Segmentation: A Post-Hoc Approach for Left Ventricle Volume Estimation in MRI [0.0]
左室容積推定は各種心血管疾患の診断・管理に重要である。
近年の機械学習、特にU-Netのような畳み込みネットワークは、医療画像の自動セグメンテーションを促進している。
本研究では,LV容積予測におけるポストホック不確実性推定のための新しい手法を提案する。
論文 参考訳（メタデータ） (2023-10-30T13:44:55Z) - Multi-task Explainable Skin Lesion Classification [54.76511683427566]
少ないラベル付きデータでよく一般化する皮膚病変に対する数発のショットベースアプローチを提案する。
提案手法は,アテンションモジュールや分類ネットワークとして機能するセグメンテーションネットワークの融合を含む。
論文 参考訳（メタデータ） (2023-10-11T05:49:47Z) - PHE-SICH-CT-IDS: A Benchmark CT Image Dataset for Evaluation Semantic
Segmentation, Object Detection and Radiomic Feature Extraction of
Perihematomal Edema in Spontaneous Intracerebral Hemorrhage [2.602118060856794]
脳内出血は、世界で最も死亡率が高く、予後不良な疾患の1つである。
PHE-SICH-CT-IDSと命名したCTデータセットを,脳内自然出血に用いた。
論文 参考訳（メタデータ） (2023-08-21T07:18:51Z)
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。