論文の概要: Empirical investigation of 3D CT Foundation Models and Unsupervised Adaptation for Head and Neck Cancer Recurrence Prediction

• arxiv url: http://arxiv.org/abs/2608.00071v1
• Date: Wed, 29 Jul 2026 08:57:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-04 15:07:24.383567
• Title: Empirical investigation of 3D CT Foundation Models and Unsupervised Adaptation for Head and Neck Cancer Recurrence Prediction
• Title（参考訳）: 頭頸部癌再発予測のための3次元CT基礎モデルと教師なし適応の実証的研究
• Abstract要約: 頭頸部癌における再発無生存予測のための3次元CT基盤モデルのベンチマークを行った。 本研究は,画像分布の異なる一貫した特徴を同定することの難しさを明らかにした。
• 参考スコア（独自算出の注目度）: 0.5999777817331317
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The rapid emergence of 3D CT foundation models has opened new avenues for predictive modeling from CT imaging, offering a compelling alternative to traditional radiomics which is known to suffer from reproducibility issues and sensitivity to acquisition protocol variations. Yet, as these models grow in availability, a critical need arises to evaluate how well their learned representations generalize across diverse clinical settings and whether adaptation to specific downstream tasks is necessary to unlock their full potential. To address these questions, we benchmarked several 3D CT foundation models for predicting recurrence-free survival in head and neck cancer across two public datasets totaling 3,644 patients, evaluating various adaptation strategies and modality fusion mechanisms. Our findings reveal persistent difficulty in identifying features that generalize consistently across different imaging distributions, as evidenced by significant performance drops on external validation cohorts. Ultimately, the integration of imaging features with clinical data remains the most accurate approach for prognostic prediction, though achieving universal generalization across varied clinical contexts continues to represent a substantial challenge for the current generation of models.
• Abstract（参考訳）: 3次元CT基礎モデルの急速な台頭により、CT画像から予測モデリングへの新たな道が開かれ、再現性の問題や取得プロトコルのバリエーションに対する感受性に悩まされている従来のラジオミクスに、魅力的な代替手段が提供されるようになった。 しかし、これらのモデルが利用可能に成長するにつれて、学習した表現が様々な臨床環境にまたがってどのように一般化するか、また、特定の下流タスクへの適応が、その潜在能力を最大限に解き放つために必要なのかを評価するために重要なニーズが生じる。 これらの課題に対処するため,3644人の患者を対象に,頭頸部癌における再発無生存予測のための3次元CT基礎モデルをベンチマークし,様々な適応戦略とモダリティ融合機構について検討した。 以上の結果から,外部の検証コホートに顕著な性能低下がみられ,各画像分布に連続して一般化する特徴の同定が困難であることが示唆された。 最終的に、画像特徴と臨床データの統合は、診断的予測の最も正確なアプローチであり続けているが、様々な臨床状況における普遍的な一般化を達成することは、現在の世代のモデルにとって大きな課題である。

関連論文リスト

• Any2Any 3D Diffusion Models with Knowledge Transfer: A Radiotherapy Planning Study [29.611544308331904]
  本稿では,Any2Any3D拡散フレームワークDiffKT3Dを提案する。 我々は,モダリティ特異的な埋め込みを,クロスアテンションのオーバーヘッドなく活用するAny2Any条件付きパラダイムを提案する。 GDP-HMMチャレンジの勝者と比較すると、DiffKT3DはボクセルレベルのMAEを2.07から1.93に減らし、新しい最先端の線量予測を設定できる。
  論文  参考訳（メタデータ） (2026-05-10T16:08:36Z)
• Toward Personalized Digital Twins for Cognitive Decline Assessment: A Multimodal, Uncertainty-Aware Framework [0.2566571621858396]
  PCD-DTフレームワークは、神経変性疾患におけるシリコモデリングをパーソナライズするための原則的な出発点を提供する。 本研究は,PCD-DTを臨床展開性,不確実性を考慮したデジタル双生児システムに向けた基礎的なステップとして位置づける。
  論文  参考訳（メタデータ） (2026-04-29T21:40:55Z)
• 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)
• MeD-3D: A Multimodal Deep Learning Framework for Precise Recurrence Prediction in Clear Cell Renal Cell Carcinoma (ccRCC) [0.0]
  本研究では、CT、MRI、病理組織像全体(WSI)、臨床データ、ゲノムプロファイルを含む多モードデータを統合するディープラーニング(DL)フレームワークを提案する。 このフレームワークは、特定のモダリティが欠如している場合でも推論を可能にすることで、臨床環境で共通の課題である不完全なデータを扱うように設計されている。
  論文  参考訳（メタデータ） (2025-07-10T15:11:09Z)
• Cross-Modality Masked Learning for Survival Prediction in ICI Treated NSCLC Patients [8.798544846026676]
  免疫療法を施行した非小細胞肺癌(NSCLC)患者の大規模データセットについて報告する。 本稿では,生存予測の精度向上を目的としたマルチモーダル機能融合のための新しいフレームワークを提案する。 提案手法は,NSCLCサバイバル予測のためのマルチモーダル統合において,既存手法よりも優れた性能を示す。
  論文  参考訳（メタデータ） (2025-07-09T16:19:31Z)
• Rethinking Whole-Body CT Image Interpretation: An Abnormality-Centric Approach [57.86418347491272]
  全身に404例の異常所見を呈する包括的階層分類システムを提案する。 複数平面および全人体領域からの14.5K以上のCT画像を含むデータセットを寄贈し,19K以上の異常に対する接地アノテーションを念頭に提供した。 OminiAbnorm-CTは,テキストクエリに基づいて,多面的および全身的なCT画像に異常な所見を自動的に検出し,記述することができる。
  論文  参考訳（メタデータ） (2025-06-03T17:57:34Z)
• Continually Evolved Multimodal Foundation Models for Cancer Prognosis [50.43145292874533]
  がん予後は、患者の予後と生存率を予測する重要なタスクである。 これまでの研究では、臨床ノート、医療画像、ゲノムデータなどの多様なデータモダリティを統合し、補完的な情報を活用している。 既存のアプローチには2つの大きな制限がある。まず、各病院の患者記録など、各種のトレーニングに新しく到着したデータを組み込むことに苦慮する。 第二に、ほとんどのマルチモーダル統合手法は単純化された結合やタスク固有のパイプラインに依存しており、モダリティ間の複雑な相互依存を捉えることができない。
  論文  参考訳（メタデータ） (2025-01-30T06:49:57Z)
• Latent Drifting in Diffusion Models for Counterfactual Medical Image Synthesis [55.959002385347645]
  遅延ドリフトにより、医療画像に対して拡散モデルを条件付けし、反ファクト画像生成の複雑なタスクに適合させることができる。 我々は,脳MRIと胸部X線による3つの時系列的ベンチマークデータセットを用いて,対物画像生成法について検討した。
  論文  参考訳（メタデータ） (2024-12-30T01:59:34Z)
• Multiscale Latent Diffusion Model for Enhanced Feature Extraction from Medical Images [5.395912799904941]
  CTスキャナーモデルと取得プロトコルのバリエーションは、抽出した放射能特性に有意な変動をもたらす。 LTDiff++は医療画像の特徴抽出を強化するために設計されたマルチスケール潜在拡散モデルである。
  論文  参考訳（メタデータ） (2024-10-05T02:13:57Z)
• Shape-guided Conditional Latent Diffusion Models for Synthesising Brain Vasculature [47.59734181424857]
  ウィリスのサークル(英: Circle of Willis、略称:CoW)は、脳血管の一部であり、脳に血液を届ける役割を担っている。 本稿では,3次元CoWセグメンテーションを生成するために,形状と解剖学的ガイダンスを備えた条件付き潜伏拡散モデルを用いた新しい生成手法を提案する。
  論文  参考訳（メタデータ） (2023-08-13T14:27:28Z)
• Classification of lung cancer subtypes on CT images with synthetic pathological priors [41.75054301525535]
  同症例のCT像と病理像との間には,画像パターンに大規模な関連性が存在する。 肺がんサブタイプをCT画像上で正確に分類するための自己生成型ハイブリッド機能ネットワーク(SGHF-Net)を提案する。
  論文  参考訳（メタデータ） (2023-08-09T02:04:05Z)
• Ambiguous Medical Image Segmentation using Diffusion Models [60.378180265885945]
  我々は,グループ洞察の分布を学習することで,複数の可算出力を生成する単一拡散モデルに基づくアプローチを提案する。 提案モデルでは,拡散の固有のサンプリングプロセスを利用してセグメンテーションマスクの分布を生成する。 その結果,提案手法は既存の最先端曖昧なセグメンテーションネットワークよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2023-04-10T17:58:22Z)
• Explainable multiple abnormality classification of chest CT volumes with AxialNet and HiResCAM [89.2175350956813]
  本稿では,容積医用画像における多変量分類の課題について紹介する。 本稿では,複数のインスタンス学習型畳み込みニューラルネットワークであるAxialNetを提案する。 そして、HiResCAMと3D許容領域を利用した新しいマスクロスにより、モデルの学習を改善することを目指す。
  論文  参考訳（メタデータ） (2021-11-24T01:14:33Z)

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。