論文の概要: Development of an automated, reliable, and clinically meaningful artificial intelligence (AI) tool for diagnosing cardiac disease from conventional cardiovascular magnetic resonance (CMR) images

• arxiv url: http://arxiv.org/abs/2607.20087v1
• Date: Wed, 22 Jul 2026 12:36:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-23 18:51:38.077143
• Title: Development of an automated, reliable, and clinically meaningful artificial intelligence (AI) tool for diagnosing cardiac disease from conventional cardiovascular magnetic resonance (CMR) images
• Title（参考訳）: 従来の心臓血管磁気共鳴(CMR)画像から心臓疾患を診断するための自動化、信頼性、臨床的に有意義な人工知能(AI)ツールの開発
• Abstract要約: CMRを用いた心血管疾患診断のための自動データキュレーションパイプラインを開発した。 3つの視覚基礎モデル(DINO, VSTedPT)は2段階のアプローチでこれらのモードを微調整した。 微調整されたAIモデルは、独立したテストセット上で高い差別的な診断性能を達成した。
• 参考スコア（独自算出の注目度）: 30.83069805418805
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Aims: Cardiovascular magnetic resonance (CMR) imaging enables non-invasive assessment of myocardial structure, function, and pathology, but requires substantial experience in interpretation of CMR images that could be supported by artificial intelligence (AI)-based models. However, use of AI models for enhanced CMR reading is limited by labor-intensive data curation, suboptimal model performance, and unclear implementation pathways. Methods and results: We developed an automated data curation pipeline for CMR-based cardiovascular disease (CVD) diagnosis, integrating open-source locally-run large language models (LLMs) to extract diagnostic labels from narrative CMR reports and preprocessing multimodal imaging data, including cine and late-gadolinium-enhancement (LGE) CMR sequences. Three vision foundation models (DINO, VST, UMedPT) were fine-tuned across these modalities in a two-stage approach. The dataset comprised hypertrophic cardiomyopathy (HCM), dilated cardiomyopathy (DCM), ischemic cardiomyopathy (ICM), cardiac amyloidosis (CA), and normal controls (NOR). A total of 988 curated cases were randomly divided into 742 for training and 246 for validation. Fine-tuned AI-models achieved high discriminative diagnostic performance on an independent test set comprising 1067 patients , with individual AUC-ROC values of up to 0.937 for the correct diagnosis of HCM and 0.945 for cardiac amyloidosis. Ensemble strategies combining multiple models and modalities further improved AI-based diagnostic accuracy and robustness, achieving the highest overall diagnostic performance for HCM (AUC=0.959, CI [0.936-0.978]), CA (AUC=0.966, CI [0.939-0.986]), NOR (AUC=0.872, CI [0.852-0.894]), DCM (AUC=0.848, CI [0.808-0.885]) and ICM (AUC=0.840, CI [0.809-0.868]). All training and inference code, along with the trained model weights, are publicly available on https://github.com/sinaamirrajab/CMR_CVD.
• Abstract（参考訳）: Aims: 心臓血管磁気共鳴(CMR)イメージングは、非侵襲的な心筋構造、機能、病理の評価を可能にするが、人工知能(AI)ベースのモデルによって支持される可能性のあるCMR画像の解釈においてかなりの経験を必要とする。 しかし、CMR読影の強化にAIモデルを使用することは、労働集約的なデータキュレーション、最適以下のモデル性能、不明瞭な実装経路によって制限される。 方法と結果:我々はCMRベースの心血管疾患(CVD)診断のための自動データキュレーションパイプラインを開発し,CMRレポートから診断ラベルを抽出し,cineおよびLat-gadolinium-enhancement(LGE)CMR配列を含むマルチモーダルイメージングデータを前処理した。 3つの視覚基礎モデル(DINO, VST, UMedPT)は2段階のアプローチでこれらのモードを微調整した。 このデータセットは肥大型心筋症(HCM)、拡張型心筋症(DCM)、虚血性心筋症(ICM)、心アミロイドーシス(CA)、正常コントロール(NOR)からなる。 988件の治験例を無作為に742件, 検証用246件に分けた。 心アミロイドーシスではHCMの正しい診断にはAUC-ROC値が0.937、心アミロイドーシスでは0.945であった。 複数のモデルとモダリティを組み合わせたアンサンブル戦略により、AIベースの診断精度と堅牢性が向上し、HCM(AUC=0.959, CI [0.936-0.978])、CA(AUC=0.966, CI [0.939-0.986])、NOR(AUC=0.872, CI [0.852-0.894])、DCM(AUC=0.848, CI [0.808-0.885])、ICM(AUC=0.840, CI [0.809-0.868])の診断性能が最高になった。 トレーニングと推論のコードはすべて、トレーニングされたモデルウェイトとともに、https://github.com/sinaamirrajab/CMR_CVDで公開されている。

関連論文リスト

• BAAI Cardiac Agent: An intelligent multimodal agent for automated reasoning and diagnosis of cardiovascular diseases from cardiac magnetic resonance imaging [38.86018893974869]
  本稿では、エンド・ツー・エンドの心臓磁気共鳴(CMR)の解釈を目的としたマルチモーダル・インテリジェント・システムであるBAAI Cardiac Agentを提案する。 この薬剤は、専門的な心臓専門家モデルを統合し、心臓構造の自動セグメンテーション、機能的定量化、組織の特徴、および疾患の診断を行う。 本システムでは, 退行率, 脳卒中容積, 左室量などのコアパラメータについて, 臨床報告と極めて一致している。
  論文  参考訳（メタデータ） (2026-04-05T11:52:46Z)
• Demographic-Aware Self-Supervised Anomaly Detection Pretraining for Equitable Rare Cardiac Diagnosis [45.00216485193071]
  心電図による心臓の異常は, 長期分布により検出が困難である。 我々は、自己教師付き異常検出と人口動態認識型表現学習を統合したAI支援二段階ECGフレームワークを開発した。 本手法は,まれな異常に対して94.7%のAUROCを達成し,コモン・レア性能のギャップを73%削減する。
  論文  参考訳（メタデータ） (2026-03-20T07:04:00Z)
• H-LDM: Hierarchical Latent Diffusion Models for Controllable and Interpretable PCG Synthesis from Clinical Metadata [7.158541967057649]
  H-LDMは、構造化メタデータから臨床的に正確で制御可能なPCG信号を生成する階層的潜在拡散モデルである。 我々のアプローチは、生理的に異なる潜伏空間を学習し、リズム、心臓音、大腿骨を分離するマルチスケールのVAEを特徴とする。 PhysioNet CirCorデータセットの実験では、Fréchet Audio Distance 9.7、92%の属性不整合スコア、87.1%の臨床的妥当性が確認された。
  論文  参考訳（メタデータ） (2025-11-18T10:16:22Z)
• Combining ECG Foundation Model and XGBoost to Predict In-Hospital Malignant Ventricular Arrhythmias in AMI Patients [14.778478113602675]
  急性心筋梗塞(AMI)後の心室不整脈(VT/VF)は院内死亡の主な原因である。 本研究の目的は,大規模な心電図基礎モデル(ECGFounder)と解釈可能なXGBoost分類器を統合するハイブリッド予測フレームワークを開発することである。 AMI患者6,634例の心電図解析を行い,そのうち175例が院内VT/VFであった。
  論文  参考訳（メタデータ） (2025-10-20T05:26:55Z)
• LGE-Guided Cross-Modality Contrastive Learning for Gadolinium-Free Cardiomyopathy Screening in Cine CMR [51.11296719862485]
  CMRを用いたガドリニウムフリー心筋症スクリーニングのためのコントラシブラーニングおよびクロスモーダルアライメントフレームワークを提案する。 CMRとLate Gadolinium Enhancement (LGE) 配列の潜伏空間を整列させることにより, 本モデルでは線維症特異的な病理組織をCMR埋め込みにエンコードする。
  論文  参考訳（メタデータ） (2025-08-23T07:21:23Z)
• A Novel Attention-Augmented Wavelet YOLO System for Real-time Brain Vessel Segmentation on Transcranial Color-coded Doppler [49.03919553747297]
  我々は,脳動脈を効率よく捉えることができるAIを利用したリアルタイムCoW自動分割システムを提案する。 Transcranial Color-coded Doppler (TCCD) を用いたAIによる脳血管セグメンテーションの事前研究は行われていない。 提案したAAW-YOLOは, 異方性および対側性CoW容器のセグメンテーションにおいて高い性能を示した。
  論文  参考訳（メタデータ） (2025-08-19T14:41:22Z)
• Multi-Layer Feature Fusion with Cross-Channel Attention-Based U-Net for Kidney Tumor Segmentation [0.0]
  U-Netベースのディープラーニング技術は、自動化された医用画像セグメンテーションのための有望なアプローチとして登場しつつある。 腎腫瘍の診断のためのCTスキャン画像のエンドツーエンド自動セマンティックセマンティックセグメンテーションのための改良されたU-Netモデルを提案する。
  論文  参考訳（メタデータ） (2024-10-20T19:02:41Z)
• CIMIL-CRC: a clinically-informed multiple instance learning framework for patient-level colorectal cancer molecular subtypes classification from H\&E stained images [42.771819949806655]
  CIMIL-CRCは、事前学習した特徴抽出モデルと主成分分析(PCA)を効率よく組み合わせ、全てのパッチから情報を集約することで、MSI/MSS MIL問題を解決するフレームワークである。 我々は,TCGA-CRC-DXコホートを用いたモデル開発のための5倍のクロスバリデーション実験装置を用いて,曲線下平均面積(AUC)を用いてCIMIL-CRC法の評価を行った。
  論文  参考訳（メタデータ） (2024-01-29T12:56:11Z)

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。