論文の概要: Distilling CT Foundation Models into Editable Concept Bottlenecks for Lung Nodule Malignancy Prediction

• arxiv url: http://arxiv.org/abs/2608.07857v1
• Date: Sat, 08 Aug 2026 01:54:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-11 19:16:36.534204
• Title: Distilling CT Foundation Models into Editable Concept Bottlenecks for Lung Nodule Malignancy Prediction
• Title（参考訳）: 肺結節悪性度予測のためのCTファンデーションモデルを編集可能な概念ボトルネックに拡張する
• Abstract要約: 我々は,2つの凍結CT基礎モデル表現を,放射線技師が定義した肺結節の8つの属性にマッピングする概念ボトルネックモデルを開発した。 モデルには、993ボクセルの結節中心のパッチを使用したCT-FMと、50mmの作物を用いた結節中心のコントラストエンコーダであるFMCIBが含まれていた。 概念の忠実度は5倍のクロスバリデードR2を用いて評価し,悪性度判定はAUROCを用いて評価した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Foundation models provide transferable CT representations, but predictions based directly on these embeddings are difficult to interpret. We developed concept bottleneck models that map two frozen CT foundation-model representations to eight radiologist-defined pulmonary-nodule attributes and predict malignancy from the estimated concepts and nodule size. The models included CT-FM, a whole-CT self-supervised encoder using a 96^3-voxel nodule-centered patch, and FMCIB, a nodule-focused contrastive encoder using a 50-mm crop. Eight ridge-regression concept heads were trained on 2,610 LIDC-IDRI nodules. Malignancy models were trained on LUNA25 and evaluated on a held-out internal test set and the external DLCS cohort. Concept fidelity was assessed using five-fold cross-validated R^2, and malignancy discrimination was assessed using AUROC with 95% confidence intervals estimated by patient-grouped bootstrap resampling. Concept fidelity was modest but higher for FMCIB than CT-FM for subtlety (R2, 0.24 vs. 0.11), spiculation (0.17 vs. 0.08), texture (0.17 vs. 0.07), and lobulation (0.15 vs. 0.05). Internally, the CT-FM and FMCIB concept+size models achieved AUROCs of 0.86 (95% CI, 0.80-0.92) and 0.86 (0.79-0.92), respectively. Externally, AUROCs were 0.72 (0.68-0.75) and 0.73 (0.70-0.76), compared with 0.73 for nodule size alone and 0.60 and 0.67 for the corresponding embedding only probes. Additive predictions could be decomposed into feature-level contributions and modified through controlled concept interventions. Concept bottlenecks provided transparent malignancy predictions with discrimination similar to nodule size alone, while differences in concept fidelity suggest that concept recovery depends on the underlying foundation-model representation.
• Abstract（参考訳）: 基礎モデルは転送可能なCT表現を提供するが、これらの埋め込みに基づく予測は解釈が難しい。 我々は,2つの凍結CT基礎モデル表現を,放射線技師が定義した8つの肺結節属性にマッピングし,推定概念と結節サイズから悪性度を予測する概念ボトルネックモデルを開発した。 モデルには、96^3-voxel nodule-centered patchを用いたCT自己教師型エンコーダCT-FMと、50mmの作物を用いた結節型コントラスト型エンコーダFMCIBが含まれていた。 LIDC-IDRIノジュール2,610基で8基の尾根回帰コンセプトヘッドを訓練した。 悪性度モデルはLUNA25で訓練され, 内部試験セットと外部DLCSコホートで評価された。 概念の忠実度を5倍のクロスバリッドR^2を用いて評価し,AUROCを用いた悪性度判定を患者集団のブートストラップ再サンプリングにより95%の信頼区間で評価した。 概念の忠実度はCT-FMより微妙(R2, 0.24 vs. 0.11)、スポープレーション(0.17 vs. 0.08)、テクスチャ(0.17 vs. 0.07)、ロブレーション(0.15 vs. 0.05)ではやや高かった。 内部的には、CT-FM と FMCIB の概念+サイズモデルは、それぞれ 0.86 (95% CI, 0.80-0.92) と 0.86 (0.79-0.92) の AUROC を達成している。 外部では、AUROCは0.72 (0.68-0.75) と0.73 (0.70-0.76) であり、ノードサイズ単独では0.73、対応する埋め込み型プローブでは0.60と0.67であった。 付加的な予測は機能レベルのコントリビューションに分解され、制御された概念介入によって修正される。 概念のボトルネックは、結節サイズに類似した識別を伴う透明な悪性度予測を提供し、概念の忠実性の違いは、概念の回復が基礎となる基礎モデル表現に依存することを示唆している。

関連論文リスト

• A cross-modal generative model for incomplete and degraded prostate MRI with multicentre clinical validation [48.14053205497089]
  MSCNetは、入手できないコントラストを再構築し、劣化したコントラストを復元するためのシーケンス条件のクロスモーダル生成フレームワークである。 画像の画質は、DWI, ADC, T2Wの既定不等式基準を満たしたが、T1Wは満たされなかった。
  論文  参考訳（メタデータ） (2026-08-17T08:11:25Z)
• Structured Proxy Features for Multimodal NSCLC Survival Prediction from Pretreatment CT [3.417347465398434]
  肺がんは世界中で約180万人が死亡し、非小細胞肺癌(NSCLC)が大多数を占める。 標準的な放射線深層学習技術は、画像の特徴を独立した量と見なし、腫瘍の特徴間の構造的相互作用を見越す。 我々は,CT(Computerd Tomography)表現を付加することにより,構造化されたプロキシ機能によってマルチモーダルサバイバル予測が向上するか否かを評価する。
  論文  参考訳（メタデータ） (2026-08-01T05:10:02Z)
• Trusting Right Predictions for Wrong Reasons: A LIME Based Analysis of Deep Learning Interpretability in Lung Cancer Diagnosis [0.0]
  肺がんはがん関連死亡の主な原因であり、毎年約250万件の新規感染者と18万件の死亡がある。 評価は主に予測精度に焦点を当てており、意思決定プロセスは十分に検証されていない。 本研究では, IQ-OTH/NCCD肺がんCTデータセットをトレーニングした, 畳み込みニューラルネットワーク(CNN), 事前訓練されたResNet50, ビジョントランスフォーマー(ViT)の3つのモデルを比較した。 ResNet50は98.61%の精度、CNN 97.91%の精度、ViT 93.75%の精度を達成した。
  論文  参考訳（メタデータ） (2026-06-14T22:08:31Z)
• CT-to-X-ray Distillation Under Tiny Paired Cohorts: An Evidence-Bounded Reproducible Pilot Study [11.316541559874864]
  本研究は,CT-to-X-rayアーキテクチャではなく,正確なタスク定義,障害モード,ランキング不安定性,将来的なCT-to-X-ray転送要求の最小要件を明示する再現性とエビデンスに縛られたパイロットプロトコルである。
  論文  参考訳（メタデータ） (2026-03-31T02:25:33Z)
• Robust Multicentre Detection and Classification of Colorectal Liver Metastases on CT: Application of Foundation Models [11.274035647041762]
  我々は,CT上のCRLMの患者レベル分類と病変レベル検出のための基礎モデルに基づくAIパイプラインを開発した。 UMedPTは最高の成績を示し,分類用頭部と病変検出用FCOSベースの頭部を微調整した。
  論文  参考訳（メタデータ） (2026-01-12T14:35:29Z)
• Pillar-0: A New Frontier for Radiology Foundation Models [41.640120966890954]
  腹部骨盤CT42,990例,胸部CT86,411例,頭部CT14,348例,胸部MRI11,543例にPillar-0を導入した。 Pillar-0は平均86.4、88.0、90.1、82.9のAUROCを達成し、MedGemma (Google)、MedImageInsight (Microsoft)、Lingshu (Alibaba)、Merlin (スタンフォード)を7.8-15.8のAUROCポイントで上回り、87.2% (319/366)タスクでランクインしている。
  論文  参考訳（メタデータ） (2025-11-21T21:50:34Z)
• Transparent Early ICU Mortality Prediction with Clinical Transformer and Per-Case Modality Attribution [42.85462513661566]
  ICU滞在後48時間から, 生理的時系列測定と非構造的臨床記録とを融合した, 軽量で透明なマルチモーダルアンサンブルを提案する。 ロジスティック回帰モデルは、バイタル用双方向LSTMとノート用微調整された臨床ModernBERT変換器の2つのモード固有モデルからの予測を組み合わせる。 MIMIC-IIIベンチマークでは、遅延融合アンサンブルは、よく校正された予測を維持しながら、最高の単一モデルに対する差別を改善する。
  論文  参考訳（メタデータ） (2025-11-19T20:11:49Z)
• Development and validation of an AI foundation model for endoscopic diagnosis of esophagogastric junction adenocarcinoma: a cohort and deep learning study [33.84976409983329]
  食道接合腺癌 (EGJA) の早期発見は, 予後改善に重要であるが, 術者に依存している。 本稿では,内視鏡画像を用いたEGJAのスクリーニングとステージング診断のための人工知能基盤モデルの開発を初めて試みる。
  論文  参考訳（メタデータ） (2025-09-22T12:03:40Z)
• 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)
• Pixels to Prognosis: Harmonized Multi-Region CT-Radiomics and Foundation-Model Signatures Across Multicentre NSCLC Data [3.6651189622079223]
  非小細胞肺癌(NSCLC)患者におけるハーモニゼーションと多領域機能統合は生存予測を改善する。 5施設876名のNSCLC患者のCTスキャンと臨床データを解析した。
  論文  参考訳（メタデータ） (2025-05-23T13:41:52Z)
• Development of Automated Neural Network Prediction for Echocardiographic Left ventricular Ejection Fraction [36.58987036154144]
  本稿では,深層ニューラルネットワークとアンサンブル学習に基づく新しいパイプライン手法を提案する。 この手法は,10,030個の心エコー図を含むオープンソースデータセットを用いて開発,検証した。 本研究では、LVEFの自動ニューラルネットワークに基づく計算が、心収縮機能のフレーム・バイ・フレーム手動評価を行う専門医に匹敵することを示した。
  論文  参考訳（メタデータ） (2024-03-18T18:09:22Z)
• Automated Quantification of CT Patterns Associated with COVID-19 from Chest CT [48.785596536318884]
  提案法は,非造影胸部CTを入力として,病変,肺,葉を3次元に分割する。 この方法では、肺の重症度と葉の関与度を2つの組み合わせて測定し、COVID-19の異常度と高不透明度の存在度を定量化する。 このアルゴリズムの評価は、カナダ、ヨーロッパ、米国からの200人の参加者(感染者100人、健康管理100人)のCTで報告されている。
  論文  参考訳（メタデータ） (2020-04-02T21:49:14Z)

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。