論文の概要: Rethinking Artificial Intelligence in Medical Imaging: Assumptions, Reality, and Reframing

• arxiv url: http://arxiv.org/abs/2607.27428v1
• Date: Wed, 29 Jul 2026 19:55:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-31 21:37:00.318699
• Title: Rethinking Artificial Intelligence in Medical Imaging: Assumptions, Reality, and Reframing
• Title（参考訳）: 医療画像における人工知能の再考 : 推測・現実・リフレーミング
• Abstract要約: 激しい研究の10年は、ベッドサイドの影響に比例しない、と我々は主張する。 このパースペクティブは、この不整合の6つの相互接続次元を識別する。 本稿では,臨床判断を置き換えるのではなく,AIを拡張できるエージェント型医用AIのビジョンを提案する。
• 参考スコア（独自算出の注目度）: 29.25526289599026
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Medical imaging has served as primary proving ground for clinical artificial intelligence (AI), yet a decade of intense research has not translated into proportionate bedside impact. We argue that this gap is not primarily a product of insufficient algorithmic performance, inadequate regulation, or limited explainability. Rather, it reflects a structural misalignment, between how AI systems are designed and evaluated, and how clinical decisions are made. This Perspective identifies six interconnected dimensions of this misalignment: the dominance of pixel-only models in a multimodal clinical world; the erosion of physician trust through opaque and inflexible systems; the unfulfilled promise of foundation models in data-sparse medical domains; the persistent bottleneck of non-shareable, under-curated datasets; the gap between validated algorithms and deployable clinical platforms; and the failure of prediction-centric AI to generate actionable clinical guidance. For each dimension, we reframe the problem and propose a path forward, culminating in a vision of agentic, physician-aligned AI that extends, rather than replaces, clinical judgment.
• Abstract（参考訳）: 医用画像は、臨床人工知能(AI)の主要な根拠となっているが、10年間にわたる激しい研究は、ベッドサイドの衝撃に比例するものではない。 このギャップは、アルゴリズム性能の不足、不適切な規制、あるいは限定的な説明可能性の産物ではないと我々は主張する。 むしろ、AIシステムの設計と評価の仕方と、臨床的な決定の仕方の間に、構造的な不一致が反映されている。 このパースペクティブは、マルチモーダルな臨床の世界におけるピクセルのみのモデルの優位性、不透明で非フレキシブルなシステムによる医師信頼の侵食、データスパースな医療領域における基礎モデルの未完の約束、共有不能で未処理のデータセットの永続的ボトルネック、検証済みのアルゴリズムとデプロイ可能な臨床プラットフォーム間のギャップ、予測中心のAIが実用的な臨床ガイダンスを生成できない、という6つの不一致を識別する。 各次元について、我々は問題を再編成し、臨床判断を置き換えるのではなく、拡張するエージェント的、医師と整合したAIというビジョンを導いていく道を提案します。

関連論文リスト

• Dementia Etiology Diagnosis via Collaborative Meta Knowledge Enhancement [81.27196033392559]
  認知症発症診断のための協調的メタ知識向上(COME)フレームワークを提案する。 COMEは、マルチセンタ取得セマンティクス、ソース識別子、モダリティインジケータを異種性を認識した埋め込みとして、スケールアップトレーニングのためにTransformerアーキテクチャに注入する。 本手法は,平均マクロ平均AUCが85.62%,最強ベースラインが4.29ポイント向上し,最先端のドメイン性能を実現する。
  論文  参考訳（メタデータ） (2026-07-24T04:26:47Z)
• What Does It Mean for a Medical AI System to Be Right? [0.0]
  論文は、医療用AIの正確性は、ベンチマークのパフォーマンスを再現できる唯一の特性ではない、と論じている。 本論文は, 4つのテーマを通じて, 基礎的真理ラベルの不安定性, 過信AIの不確実性, 標準的臨床指標の不適切性, 時間的プレッシャのある臨床環境における自動化バイアスのリスクについて論じる。
  論文  参考訳（メタデータ） (2026-05-12T11:18:23Z)
• Medical Model Synthesis Architectures: A Case Study [72.46211022258122]
  現在のAIシステムは、不確実性の下で調整された推論に苦労している。 我々は,不確実性の下で,現実的に有用だが公式に透過的な臨床予測を行うことができるAIシステムのためのフレームワークを提案する。 このフレームワークの最初の概念実証は、どのようにして差分診断に利用できるかを示す。
  論文  参考訳（メタデータ） (2026-05-10T19:30:16Z)
• From Black-Box Confidence to Measurable Trust in Clinical AI: A Framework for Evidence, Supervision, and Staged Autonomy [0.0]
  臨床人工知能(AI)の信頼度は、精度、生成の頻度、全体的な肯定的なユーザ印象のモデル化に還元できない。 本稿では、エビデンス、監督、ステージド自律性という3つの原則に基づいて構築された、信頼できる臨床AIのためのフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-04-29T13:40:14Z)
• Delving Aleatoric Uncertainty in Medical Image Segmentation via Vision Foundation Models [56.29123284262618]
  本研究は,視覚基盤モデルの普遍的表現能力を生かして固有データ不確実性を推定することを提案する。 モデルのデコード表現の特徴の多様性を分析し,その特異値エネルギーを定量化し,各クラスに対する意味知覚尺度を定義する。 この基礎に基づいて,本研究は,(1)潜在的にノイズの多いサンプルを排除し,モデル学習品質を向上させるためのアレータリック不確実性認識データフィルタリング機構,(2)意味認識尺度に基づくトレーニング中にクラス固有の損失重みを適応的に調整する動的不確実性認識最適化戦略,およびトレーニング安定性を向上させるラベル認知機構の2つの不確実性駆動型アプリケーション戦略を設計する。
  論文  参考訳（メタデータ） (2026-04-13T03:59:54Z)
• Grounding Clinical AI Competency in Human Cognition Through the Clinical World Model and Skill-Mix Framework [2.048286515359845]
  本稿では,三者間相互作用としてケアを形式化する臨床世界モデルを紹介する。 我々は、提供者、患者、AIエージェントのための並列意思決定アーキテクチャを開発する。 このフレームワークは、臨床AIをステークホルダー間で特定、評価、バウンドできる共通の文法を提供する。
  論文  参考訳（メタデータ） (2026-04-09T13:20:13Z)
• Anatomy of a Lie: A Multi-Stage Diagnostic Framework for Tracing Hallucinations in Vision-Language Models [62.932580559941414]
  VLM(Vision-Language Models)は、しばしば「ハロシン化(hallucinate)」する。 本稿では,静的な出力誤差からモデル計算認知の動的病理へ再キャストし,幻覚を診断するための新しいパラダイムを提案する。
  論文  参考訳（メタデータ） (2026-03-16T17:20:38Z)
• Medical Imaging AI Competitions Lack Fairness [50.895929923643905]
  課題データセットが現実の臨床的多様性を代表するものなのか、FAIR原則に従ってアクセス可能で法的に再利用可能なものなのか、という2つの相補的な側面に沿って公正性を評価する。 本研究の結果は, 地理的位置, モダリティ, 問題型関連バイアスなどのデータセット構成に有意な偏りがみられ, 現在のベンチマークは実世界の臨床多様性を十分に反映していないことが示唆された。 これらの欠点は、ベンチマークエコシステムの基本的な制限を明らかにし、リーダボードの成功と臨床関連性との間の断絶を浮き彫りにします。
  論文  参考訳（メタデータ） (2025-12-19T13:48:10Z)
• Deconstructing Intraocular Pressure: A Non-invasive Multi-Stage Probabilistic Inverse Framework [0.0]
  緑内障は眼圧上昇(IOP)による可逆性失明の主因である 非侵襲的に測定不能な変数をスパースなルーチンデータから推定するフレームワークを開発する。 本フレームワークは, 直接物理機器に匹敵する精度で, 最先端のトノグラフィーと良好な一致を実現している。
  論文  参考訳（メタデータ） (2025-09-17T16:50:23Z)
• MedUHIP: Towards Human-In-the-Loop Medical Segmentation [5.520419627866446]
  医用画像のセグメンテーションは、固有の不確実性によって特に複雑である。 我々はtextbfuncertainty-aware モデルと textbf Human-in-the-loop 相互作用を統合する新しいアプローチを提案する。 提案手法は,決定論的および不確実性を考慮したモデルよりも優れたセグメンテーション能力を示す。
  論文  参考訳（メタデータ） (2024-08-03T01:06:02Z)
• 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)

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。