論文の概要: NeuroMosaic: Anatomically Grounded Multimodal Large Language Modeling for Molecularly Aware Glioma Reasoning from 3D MRI and Clinical Narratives
- arxiv url: http://arxiv.org/abs/2608.03187v1
- Date: Tue, 04 Aug 2026 06:26:50 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-06 07:04:20.701005
- Title: NeuroMosaic: Anatomically Grounded Multimodal Large Language Modeling for Molecularly Aware Glioma Reasoning from 3D MRI and Clinical Narratives
- Title（参考訳）: 神経モザイク:3次元MRIによる分子認識グリオーマと臨床診断のための解剖学的基礎的多モーダル言語モデリング
- Abstract要約: 我々は,3次元マルチモーダル言語モデルであるNeuroMosaicについて述べる。
このアーキテクチャは、マルチレゾリューションボリュームトークンライザ、神経解剖学的グラフルータ、分子コンセプトメモリ、選択的リスク制御を組み合わせたものである。
- 参考スコア（独自算出の注目度）: 0.7742420215649948
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Multimodal medical large language models remain structurally weak for neuro-oncology because volumetric evidence is compressed into generic visual tokens and diagnostic conclusions often lack an auditable link to MRI regions. We present NeuroMosaic, a 3D multimodal language model that converts multi-sequence brain MRI into anatomy-indexed regional tokens, aligns them with clinical narrative and molecular concepts, and generates evidence-linked outputs. The architecture combines a multi-resolution volumetric tokenizer, a neuroanatomical graph router, a molecular concept memory, and selective risk control. Across four glioma cohorts, NeuroMosaic achieved an internal subtype macro-F1 of 0.827 and external macro-F1 values of 0.784, 0.761, and 0.742. On UPenn-GBM, it improved over the strongest matched-input baseline by 3.6 percentage points (95% CI: 1.8 to 5.4, adjusted p = 0.0018), with IDH, 1p/19q, and MGMT AUROCs of 0.918, 0.861, and 0.781. Evidence pointing accuracy reached 0.703, and targeted evidence deletion reduced correct-answer probability by 0.187, compared with 0.046 for random deletion. These results establish anatomy-indexed routing as a measurable mechanism for accurate, grounded, and calibrated volumetric medical-language reasoning.
- Abstract（参考訳）: 容積的証拠は一般的な視覚トークンに圧縮され、診断結論はMRI領域への監査可能なリンクを欠くことが多いため、マルチモーダル医療用大規模言語モデルは、ニューロオンコロジーにとって構造的に弱いままである。
我々は3次元多モード言語モデルであるNeuroMosaicを提案する。脳MRIを解剖学的にインデックスされた局所トークンに変換し、臨床物語や分子概念と整合させ、エビデンスにリンクした出力を生成する。
このアーキテクチャは、マルチレゾリューションボリュームトークンライザ、神経解剖学的グラフルータ、分子コンセプトメモリ、選択的リスク制御を組み合わせたものである。
4つのグリオーマコホートの中で、NeuroMosaicは0.827のサブタイプマクロF1、外部マクロF1値は0.784、0.761、0.742のサブタイプマクロF1を達成した。
UPenn-GBMでは最強の入出力ベースラインを3.6ポイント(95% CI:1.8から5.4、調整p = 0.0018、IDH、1p/19q、MGMT AUROCs 0.918、0.861、0.781)改善した。
エビデンスポインティングの精度は0.703に達し、対象のエビデンス削除により、ランダム削除の0.046に比べて、正解確率が0.187減少した。
これらの結果は, 正確な, 接地された, 校正された医学的医学的推論のための測定可能なメカニズムとして, 解剖学的にインデクシングされたルーティングを確立した。
関連論文リスト
- CoMNeT: A MedNeXt-CorrDiff Framework for Volumetric Brain Tumor Segmentation [1.2048008992808203]
最新の3次元畳み込みセグメンテーションモデルと、補正拡散に基づく精細化とアンサンブルを組み合わせることで、容積グリオーマセグメンテーションが向上することを示す。
我々は,MedNeXt-CorrDiffフレームワークであるCoMNeTを提案する。
ET, TC, WT, and average Dice scores of 0.7543 +/- 0.0261, 0.6806 +/- 0.0166, 0.9049 +/- 0.0128, 0.7798 +/- 0.0184。
論文 参考訳（メタデータ） (2026-06-13T13:51:10Z) - Artemis: Anatomy-Resolved inTervention for Eliminating Multimodal NeuroImage confounderS [39.37223141220675]
マルチモーダル・ニューロイメージングは、グラフニューラルネットワークを用いた脳ネットワークの非侵襲的解析を可能にする。
年齢や性別などの人口統計学的要因は、脳の接続性と臨床結果の関係を体系的に理解している。
本稿では,各脳領域における因果的介入によってこのギャップを橋渡しする領域レベルの因果的枠組みであるArtemisを提案する。
論文 参考訳（メタデータ） (2026-06-10T05:10:36Z) - Linking spatial biology and clinical histology via Haiku [35.723756132708026]
マルチプレクシド免疫蛍光(mIF)を訓練した3モーダルコントラスト学習モデルHaikuについて紹介する。
11種類の臓器にまたがる1,606人の患者から3,218の組織から267万個の空間パッチを採取する。
論文 参考訳（メタデータ） (2026-04-30T18:53:32Z) - Cerebra: A Multidisciplinary AI Board for Multimodal Dementia Characterization and Risk Assessment [56.62016795093786]
CerebraはインタラクティブなマルチエージェントAIチームで、ERH、臨床ノート、医療画像分析のための特殊エージェントをコーディネートする。
構造化された表現を操作することで、プライバシ保護デプロイメントをサポートし、モダリティが不完全であれば、堅牢である。
Cerebraは、有識者のパフォーマンスを著しく改善し、前向き認知症リスク推定において精度を17.5ポイント向上させた。
論文 参考訳（メタデータ） (2026-03-23T05:46:45Z) - NeuroRAD-FM: A Foundation Model for Neuro-Oncology with Distributionally Robust Training [12.168374910250572]
既存の基礎モデル(FM)は、異常な分子マーカーを予測するのに不十分である。
我々は,腫瘍の表現型を正確に推定できる分布的ロバストな損失関数を有する神経腫瘍学特異的FMを開発した。
CUIMC 0.592 から 0.597 に、UPenn 0.647 から 0.672 に、UCSF 0.600 から 0.627 に改良された。
論文 参考訳（メタデータ） (2025-09-18T20:43:08Z) - Fusion-Based Brain Tumor Classification Using Deep Learning and Explainable AI, and Rule-Based Reasoning [0.0]
本研究では,MobileNetV2とDenseNet121畳み込みニューラルネットワーク(CNN)を組み合わせたアンサンブルに基づくディープラーニングフレームワークを提案する。
モデルは、階層化された5倍のクロスバリデーションプロトコルを使用して、Figshareデータセット上でトレーニングされ、評価された。
このアンサンブルは個々のCNNよりも優れた性能を示し、精度は91.7%、精度は91.9%、リコールは91.7%、F1スコアは91.6%だった。
論文 参考訳（メタデータ） (2025-08-09T08:46:36Z) - Explainable Anatomy-Guided AI for Prostate MRI: Foundation Models and In Silico Clinical Trials for Virtual Biopsy-based Risk Assessment [3.5408411348831232]
MRIによる前立腺癌(PCa)のリスク階層化のための,完全に自動化された,解剖学的に指導されたディープラーニングパイプラインを提案する。
パイプラインは、前立腺とそのゾーンを軸方向のT2強調MRI上にセグメント化するためのnnU-Netモジュール、オプションの解剖学的先行と臨床データで3Dパッチに微調整されたDiceedPT Swin Transformer基盤モデルに基づく分類モジュール、決定駆動画像領域をローカライズする反ファクトなヒートマップを生成するVAE-GANフレームワークの3つの重要なコンポーネントを統合する。
論文 参考訳（メタデータ） (2025-05-23T14:40:09Z) - Predicting Length of Stay in Neurological ICU Patients Using Classical Machine Learning and Neural Network Models: A Benchmark Study on MIMIC-IV [49.1574468325115]
本研究は、MIMIC-IVデータセットに基づく神経疾患患者を対象とした、ICUにおけるLOS予測のための複数のMLアプローチについて検討する。
評価されたモデルには、古典的MLアルゴリズム(K-Nearest Neighbors、Random Forest、XGBoost、CatBoost)とニューラルネットワーク(LSTM、BERT、テンポラルフュージョントランス)が含まれる。
論文 参考訳（メタデータ） (2025-05-23T14:06:42Z) - Full-Head Segmentation of MRI with Abnormal Brain Anatomy: Model and Data Release [1.9492386975158917]
さまざまな被験者を対象に,ボリュームセグメンテーションラベルを用いた98個のMRI画像を収集した。
我々は,3つの2次元U-Netからなるマルチ軸ネットワークを開発し,矢状面,軸面,コロナ面で独立に動作させた。
論文 参考訳（メタデータ） (2025-01-30T19:31:13Z) - AXIAL: Attention-based eXplainability for Interpretable Alzheimer's Localized Diagnosis using 2D CNNs on 3D MRI brain scans [43.06293430764841]
本研究では,3次元MRIを用いたアルツハイマー病診断の革新的手法を提案する。
提案手法では,2次元CNNがボリューム表現を抽出できるソフトアテンション機構を採用している。
ボクセルレベルの精度では、どの領域に注意が払われているかを同定し、これらの支配的な脳領域を同定する。
論文 参考訳（メタデータ） (2024-07-02T16:44:00Z) - Towards a Holistic Framework for Multimodal Large Language Models in Three-dimensional Brain CT Report Generation [42.06416052431378]
2Dラジオグラフィーキャプションは、ボリューム3D解剖学における現実の診断課題を反映するものではない。
我々は18,885組の3D-BrainCTデータセットを収集し,臨床ビジュアルインストラクション・チューニングを用いて,脳波モデルを用いて放射線治療を施した3D脳CTレポートを作成した。
私たちの研究は、3Dの脳CTデータセットのキュレーション、微調整による解剖学的意味のある言語モデル、堅牢な放射線学評価指標の提案など、総合的な枠組みを具現化したものです。
論文 参考訳（メタデータ） (2024-07-02T12:58:35Z) - MRI-based classification of IDH mutation and 1p/19q codeletion status of
gliomas using a 2.5D hybrid multi-task convolutional neural network [0.18374319565577152]
グリオーマにおけるIsocitrate dehydrogenase変異と1p/19q符号欠失は重要な予後マーカーである。
我々の目標は、MRIからこれらの分子変化を非侵襲的に決定する人工知能ベースの手法を開発することであった。
2.5Dハイブリッド畳み込みニューラルネットワークは、腫瘍を同時に局在させ、その分子状態を分類するために提案された。
論文 参考訳（メタデータ） (2022-10-07T18:46:39Z)
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。