論文の概要: A Scalable AI-Powered System for Explainable Machine Learning Pipelines in Brain Tumor

• arxiv url: http://arxiv.org/abs/2607.26834v1
• Date: Wed, 29 Jul 2026 12:26:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-30 21:06:25.663508
• Title: A Scalable AI-Powered System for Explainable Machine Learning Pipelines in Brain Tumor
• Title（参考訳）: 脳腫瘍における説明可能な機械学習パイプラインのためのスケーラブルAIシステム
• Abstract要約: 放射能駆動型機械学習推論をサポートするために設計された、スケーラブルなWebベースのビジュアル分析システムの最初のバージョンを提示する。 提案するフレームワークは,脳腫瘍解析における臨床指向型AI応用の実践的基盤を提供する。
• 参考スコア（独自算出の注目度）: 2.2689094912853767
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Artificial intelligence and radiomics are increasingly used in brain tumor research, yet their translation into clinical practice remains limited by fragmented workflows, poor transparency, and weak integration with end users' needs. We present the first version of a scalable web-based visual analytics system designed to support radiomics-driven machine learning inference in neuro-oncology. The platform integrates three core functions within a single interface: cohort management from structured clinical tables, radiomic feature extraction from medical images and segmentation masks, and guarded inference with pre-trained machine learning models. The system was developed through an iterative user-centred design process and evaluated on both a public glioblastoma dataset and a proprietary clinical cohort. A key contribution is the explicit exposure of intermediate workflow artifacts, which improves traceability, interpretability, and responsible use of AI. By combining portability, inspectability, and deployment simplicity, the proposed framework offers a practical foundation for clinically oriented AI applications in brain tumor analysis.
• Abstract（参考訳）: 人工知能と放射能は脳腫瘍の研究でますます使われているが、その臨床実践への翻訳は、断片化されたワークフロー、透明性の低下、エンドユーザーのニーズとの弱い統合によって制限されている。 神経腫瘍学における放射能駆動型機械学習推論をサポートするために設計された、スケーラブルなWebベースの視覚分析システムの最初のバージョンを提示する。 プラットフォームは、構造化された臨床表からのコホート管理、医療画像とセグメンテーションマスクからの放射能特徴抽出、事前訓練された機械学習モデルによるガード付き推論の3つのコア機能を統合する。 このシステムは、反復的なユーザー中心のデザインプロセスを通じて開発され、パブリックなグリオブラストーマデータセットとプロプライエタリな臨床コホートの両方で評価された。 重要な貢献は、トレーサビリティ、解釈可能性、AIの責任ある使用を改善する、中間ワークフローアーティファクトの明示的な露出である。 移植性、検査性、デプロイメントの単純さを組み合わせることで、提案フレームワークは脳腫瘍解析における臨床指向のAI応用のための実践的な基盤を提供する。

関連論文リスト

• Vision Foundry: A System for Training Foundational Vision AI Models [0.0]
  Vision FoundryはコードフリーのHIPAA準拠のプラットフォームで、ビジョンモデルの事前トレーニング、適応、デプロイを民主化する。 高度な表現学習と実践的応用のギャップを埋めることで、Vision Foundryはドメインの専門家が最先端の臨床AIツールを開発することを可能にする。
  論文  参考訳（メタデータ） (2025-12-03T14:02:22Z)
• From Explainability to Action: A Generative Operational Framework for Integrating XAI in Clinical Mental Health Screening [0.3181700357675698]
  本稿では,このギャップは翻訳問題であり,生成操作フレームワークを提案する。 このフレームワークは、様々なXAIツールから得られた生の技術的出力を取り込み、臨床ガイドラインでそれらを合成するように設計されている。
  論文  参考訳（メタデータ） (2025-10-10T05:46:39Z)
• Deep Learning-Based Pneumonia Detection from Chest X-ray Images: A CNN Approach with Performance Analysis and Clinical Implications [0.0]
  胸部X線画像から自動的に肺炎を検出するために,Conal Neural Networksを用いた複雑なディープラーニングシステムを提案する。 提案したCNNアーキテクチャは,分離可能な畳み込みやバッチ正規化,ドロップアウト正規化といった高度な手法を統合している。 精度、精度、リコール、F1スコアなどの複雑な評価指標の配列は、精度91の精度を記録して、モデル例外性能を総合的に検証する。
  論文  参考訳（メタデータ） (2025-09-26T11:58:50Z)
• Intelligent Healthcare Imaging Platform: A VLM-Based Framework for Automated Medical Image Analysis and Clinical Report Generation [0.0]
  本稿では,視覚言語モデル(VLM)を活用した医用画像解析のためのインテリジェントマルチモーダルフレームワークを提案する。 このフレームワークはGoogle Gemini 2.5 Flashを統合し、腫瘍を自動的に検出し、CT、MRI、X線、超音波などの複数の画像モダリティで臨床報告を生成する。
  論文  参考訳（メタデータ） (2025-09-16T23:15:44Z)
• A Fully Open and Generalizable Foundation Model for Ultrasound Clinical Applications [77.3888788549565]
  一般臨床用超音波基礎モデルであるEchoCareについて紹介する。 我々は、キュレートされた、一般公開された大規模なデータセットであるEchoCareData上で、自己教師付き学習を通じてEchoCareを開発した。 最小限のトレーニングで、EchoCareは10の代表的なベンチマークで最先端の比較モデルを上回っている。
  論文  参考訳（メタデータ） (2025-09-15T10:05:31Z)
• RadFabric: Agentic AI System with Reasoning Capability for Radiology [61.25593938175618]
  RadFabricは、総合的なCXR解釈のための視覚的およびテキスト分析を統合するマルチエージェント、マルチモーダル推論フレームワークである。 システムは、病理診断に特殊なCXRエージェント、正確な解剖学的構造に視覚所見をマッピングする解剖学的解釈エージェント、および視覚的、解剖学的、臨床データを透明かつ証拠に基づく診断に合成する大規模なマルチモーダル推論モデルを利用した推論エージェントを使用する。
  論文  参考訳（メタデータ） (2025-06-17T03:10:33Z)
• fMRI-PTE: A Large-scale fMRI Pretrained Transformer Encoder for Multi-Subject Brain Activity Decoding [54.17776744076334]
  本稿では,fMRI事前学習のための革新的オートエンコーダであるfMRI-PTEを提案する。 我々のアプローチでは、fMRI信号を統合された2次元表現に変換し、次元の整合性を確保し、脳の活動パターンを保存する。 コントリビューションには、fMRI-PTEの導入、革新的なデータ変換、効率的なトレーニング、新しい学習戦略、そして我々のアプローチの普遍的な適用性が含まれる。
  論文  参考訳（メタデータ） (2023-11-01T07:24:22Z)
• UniBrain: Universal Brain MRI Diagnosis with Hierarchical Knowledge-enhanced Pre-training [66.16134293168535]
  我々はUniBrainと呼ばれるユニバーサル脳MRI診断のための階層的知識強化事前訓練フレームワークを提案する。 具体的には、UniBrainは、定期的な診断から24,770のイメージレポートペアの大規模なデータセットを活用する。
  論文  参考訳（メタデータ） (2023-09-13T09:22:49Z)
• Robotic Navigation Autonomy for Subretinal Injection via Intelligent Real-Time Virtual iOCT Volume Slicing [88.99939660183881]
  網膜下注射のための自律型ロボットナビゲーションの枠組みを提案する。 提案手法は,機器のポーズ推定方法,ロボットとi OCTシステム間のオンライン登録,およびインジェクションターゲットへのナビゲーションに適した軌道計画から構成される。 ブタ前眼の精度と再現性について実験を行った。
  論文  参考訳（メタデータ） (2023-01-17T21:41:21Z)
• An Interactive Interpretability System for Breast Cancer Screening with Deep Learning [11.28741778902131]
  乳がん検診の放射線科医を支援するために,最先端の解釈可能性技術を活用するインタラクティブシステムを提案する。 本システムは, 深層学習モデルを放射線学者のワークフローに統合し, モデル決定プロセスの理解を促進するために, 新たなインタラクションを提供する。
  論文  参考訳（メタデータ） (2022-09-30T02:19:49Z)
• Learning Binary Semantic Embedding for Histology Image Classification and Retrieval [56.34863511025423]
  バイナリ・セマンティック・エンベディング(LBSE)の学習方法を提案する。 効率的な埋め込み、分類、検索を行い、組織像の解釈可能なコンピュータ支援診断を提供する。 3つのベンチマークデータセットで実施された実験は、様々なシナリオにおいてLBSEの優位性を検証する。
  論文  参考訳（メタデータ） (2020-10-07T08:36:44Z)

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。