論文の概要: Deep Learning Estimation of Sex, Age, Height, and Weight from CT-derived Digitally Reconstructed Radiographs

• arxiv url: http://arxiv.org/abs/2607.18638v1
• Date: Tue, 21 Jul 2026 02:15:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-22 19:05:05.293256
• Title: Deep Learning Estimation of Sex, Age, Height, and Weight from CT-derived Digitally Reconstructed Radiographs
• Title（参考訳）: CT画像からの性別・年齢・身長・体重の深層学習推定
• Abstract要約: 本研究は,全国9施設の成人80,004名を対象に128,621例のCT検査を行った。 性別分類,年齢,身長,体重の回帰を評価するために,平均絶対誤差(MAE)を精度・平均誤差(MAE)として用いた。 アンサンブルは、CT由来のDRRから成人の性別、年齢、身長、体重を推定し、一般に解剖学的範囲が広い試験では誤差が低い。
• 参考スコア（独自算出の注目度）: 2.6294678097413313
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Purpose: To develop and validate a deep learning ensemble for estimating adult sex, age, height, and weight from coronal digitally reconstructed radiographs (DRRs) generated from diagnostic CT. Materials and Methods: This retrospective study included 128,621 CT examinations from 80,004 adults at nine institutions in Japan. Three multitask models-ConvNeXt-Base, ViT-Base/16, and MaxViT-Base-were fine-tuned using coronal DRRs and combined by weighted averaging. Data were split by institution into training (114,147 examinations; seven institutions), tuning (4,305; one institution), and test (10,169; one institution) sets; generalizability was assessed on two non-Japanese datasets. Accuracy and mean absolute error (MAE) were used to evaluate sex classification and age, height, and weight regression, respectively. Body surface area (BSA)-corrected heart and liver volume trends were compared using true versus estimated height and weight. Results: In the test set (median age, 69.9 years; 4,899 of 10,169 [48.2%] male), overall sex-classification accuracy was 0.997 (95% CI, 0.996-0.998), and MAEs were 3.57 years (3.51-3.63), 2.59 cm (2.54-2.64), and 3.40 kg (3.34-3.47) for age, height, and weight, respectively. In examinations covering the chest through pelvis, accuracy was 1.000, and MAEs were 3.15 years, 2.28 cm, and 3.18 kg, respectively. BSA calculated from estimated values reproduced age-related heart and liver volume trends obtained using true values. On non-Japanese datasets, height error increased but was reduced by continued fine-tuning. Conclusion: The ensemble estimated adult sex, age, height, and weight from CT-derived DRRs, with generally lower errors in examinations with broader anatomical coverage.
• Abstract（参考訳）: 目的:診断CTから生成された冠動脈デジタル再構成X線写真(DRR)から成人性、年齢、身長、体重を推定するための深層学習アンサンブルの開発と検証を行う。 対象と方法】日本の9施設80,004名を対象に,128,621名のCT検査を行った。 ConvNeXt-Base、ViT-Base/16、MaxViT-Baseの3つのマルチタスクモデルは、コロナDRRを用いて微調整され、重み付け平均化によって合成される。 114,147施設,7施設,調律4,305施設,試験10,169施設,1施設)に分類し,日本以外の2つのデータセットで一般性を評価した。 性別分類と年齢, 身長, 体重の回帰を評価するために, 平均絶対誤差 (MAE) と平均絶対誤差 (MAE) を用いた。 体表面積 (BSA) 補正心と肝容積の傾向を, 推定身長と体重とで比較した。 結果:テストセット(中期年齢69.9歳,男性4,899人,男性4,169人(48.2%))では,性別分類精度は0.997人(95% CI),0.996-0.998人(3.51-3.63人),2.59cm(2.54-2.64人),3.40kg(3.34-3.47人)であった。 骨盤を通して胸部を覆う検査では、精度は1.000で、MAEは3.15年、2.28cm、3.18kgであった。 BSAは, 年齢関連心と肝容積の経時的変化を実測値から算出した。 非日系データセットでは、高さ誤差は増加したが、微調整の継続により減少していた。 結論: このアンサンブルはCT由来のDRRから成人性, 年齢, 身長, 体重を推定し, 解剖学的範囲が広い試験では一般的に誤差が低い。

関連論文リスト

• Measurements Automatically Extracted from Zero Echo Time MRI Using Deep Learning Image Segmentation and Geometric Modeling Agree with Expert Manual Readings [0.0]
  ZTE MRIから自動FAI角計算を開発した。 nnU-Netは、大腿骨、骨盤、および3つの骨のランドマークを分割するために、手動で手術された100個のヒップで訓練された。
  論文  参考訳（メタデータ） (2026-08-07T16:11:11Z)
• PanCanBench: A Comprehensive Benchmark for Evaluating Large Language Models in Pancreatic Oncology [48.732366302949515]
  大規模言語モデル(LLM)は、標準化された検査において専門家レベルの性能を達成したが、複数の選択精度は現実の臨床的有用性や安全性を十分に反映していない。 我々は、未確認患者の質問に対して、専門家のルーブリックを作成するための、ループ内人間パイプラインを開発した。 LLM-as-a-judge フレームワークを用いて,22のプロプライエタリおよびオープンソース LLM の評価を行い,臨床完全性,事実精度,Web-search 統合について検討した。
  論文  参考訳（メタデータ） (2026-03-02T00:50:39Z)
• Pillar-0: A New Frontier for Radiology Foundation Models [41.640120966890954]
  腹部骨盤CT42,990例,胸部CT86,411例,頭部CT14,348例,胸部MRI11,543例にPillar-0を導入した。 Pillar-0は平均86.4、88.0、90.1、82.9のAUROCを達成し、MedGemma (Google)、MedImageInsight (Microsoft)、Lingshu (Alibaba)、Merlin (スタンフォード)を7.8-15.8のAUROCポイントで上回り、87.2% (319/366)タスクでランクインしている。
  論文  参考訳（メタデータ） (2025-11-21T21:50:34Z)
• AI-Assisted Pleural Effusion Volume Estimation from Contrast-Enhanced CT Images [0.0]
  Pleuralfusions (PE) は多くの異なる臨床疾患でよく見られる疾患である。 CTスキャンで音量を正確に測定することは難しい。 コントラスト強調CTボリュームに基づく半教師付きディープラーニングフレームワークを開発した。
  論文  参考訳（メタデータ） (2025-10-04T16:06:10Z)
• Deep Learning Segmentation of Ascites on Abdominal CT Scans for Automatic Volume Quantification [12.25110399510034]
  本研究は,肝硬変腹水患者と卵巣癌患者の造影CT,非造影CTを施行した。 このモデルはThe Cancer Genome Atlas Ovarian Cancer data (平均年齢60歳+/-11[s.d.]; 143女)で訓練された。 その性能はDice係数,標準偏差,95%信頼区間で測定され,腹腔内腹水量に着目した。
  論文  参考訳（メタデータ） (2024-06-23T01:32:53Z)
• Incorporating Anatomical Awareness for Enhanced Generalizability and Progression Prediction in Deep Learning-Based Radiographic Sacroiliitis Detection [0.8248058061511542]
  本研究の目的は, 深層学習モデルに解剖学的認識を取り入れることで, 一般化性を高め, 疾患進行の予測を可能にするかを検討することである。 モデルの性能は, 受信機動作特性曲線(AUC)下の領域, 精度, 感度, 特異性を用いて比較した。
  論文  参考訳（メタデータ） (2024-05-12T20:02:25Z)
• Attention-based Saliency Maps Improve Interpretability of Pneumothorax Classification [52.77024349608834]
  視覚変換器(ViT)の胸部X線撮影(CXR)分類性能と注意ベース唾液の解釈可能性について検討する。 ViTは、CheXpert、Chest X-Ray 14、MIMIC CXR、VinBigDataの4つの公開データセットを用いて、肺疾患分類のために微調整された。 ViTsは最先端のCNNと比べてCXR分類AUCに匹敵するものであった。
  論文  参考訳（メタデータ） (2023-03-03T12:05:41Z)
• TotalSegmentator: robust segmentation of 104 anatomical structures in CT images [48.50994220135258]
  身体CT画像の深層学習セグメント化モデルを提案する。 このモデルは、臓器の容積、疾患の特徴、外科的または放射線療法計画などのユースケースに関連する104の解剖学的構造を区分することができる。
  論文  参考訳（メタデータ） (2022-08-11T15:16:40Z)
• Deep Learning Body Region Classification of MRI and CT examinations [5.511558765147004]
  CTおよびMRIの身体領域を識別するためにCNNベースの分類器が開発された。 AIモデルのトレーニング、検証、テストのために3つのレトロスペクティブデータベースが構築された。 画像レベルの予測精度はCTでは91.9%(90.2～92.1)、MRIでは94.2%(92.0～95.6)であった。
  論文  参考訳（メタデータ） (2021-04-28T15:20:21Z)
• Classification of Multiple Diseases on Body CT Scans using Weakly Supervised Deep Learning [7.287303475865695]
  ルールベースのアルゴリズムを用いて、12,092人の患者から13,667体のCTスキャンから19,225の疾患ラベルを抽出した。 各臓器について、3次元の畳み込みニューラルネットワークは、全15のラベルで4つの共通疾患に対して明らかな疾患を分類しなかった。 結果: 抽出したラベルの手動検証により, 15種類のラベルで91%から99%の精度が確認された。
  論文  参考訳（メタデータ） (2020-08-03T19:55:53Z)
• Severity Assessment of Coronavirus Disease 2019 (COVID-19) Using Quantitative Features from Chest CT Images [54.919022945740515]
  本研究の目的は,胸部CT画像に基づく新型コロナウイルスの重症度自動評価(非重症度または重症度)を実現することである。 ランダム・フォレスト(RF)モデルは、量的特徴に基づいて重症度(非重症度または重症度)を評価するために訓練される。 新型コロナウイルスの重症度を反映する可能性のあるいくつかの定量的特徴が明らかになった。
  論文  参考訳（メタデータ） (2020-03-26T15:49:32Z)
• Machine-Learning-Based Multiple Abnormality Prediction with Large-Scale Chest Computed Tomography Volumes [64.21642241351857]
  19,993症例から36,316巻の胸部CTデータセットを収集,解析した。 自由テキストラジオグラフィーレポートから異常ラベルを自動的に抽出するルールベース手法を開発した。 胸部CTボリュームの多臓器・多臓器分類モデルも開発した。
  論文  参考訳（メタデータ） (2020-02-12T00:59:23Z)

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。