Fugu-MT 論文翻訳(概要): CT-$Δ$Bench: A Benchmark for Longitudinal 3D Medical Imaging Difference Reporting with Vision-Language Models

論文の概要: CT-$Δ$Bench: A Benchmark for Longitudinal 3D Medical Imaging Difference Reporting with Vision-Language Models

arxiv url: http://arxiv.org/abs/2608.11534v1
Date: Wed, 12 Aug 2026 00:55:31 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-13 19:07:54.409321
Title: CT-$Δ$Bench: A Benchmark for Longitudinal 3D Medical Imaging Difference Reporting with Vision-Language Models
Title（参考訳）: CT-$$$Bench : 視線モデルを用いた縦断的3次元画像差のベンチマーク
Abstract要約: 縦断的画像差分報告とは、あるモデルが、同じ患者から2つの時間的に分離されたスキャンを受け取り、臨床的に有意義な報告を生成するタスクである。患者レベル分割による情報漏洩防止のための専用ベンチマークであるCT-$Benchを紹介する。また,臨床的に有意な経年変化を捉え,医師の独立した検証を行うための変化認識尺度も開発した。
参考スコア（独自算出の注目度）: 21.022823890203597
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In medical imaging, the clinical value of Computed Tomography (CT) lies not only in depicting current disease status, but crucially in enabling longitudinal comparison of serial scans to determine disease evolution, a process that underpins response assessment, recurrence detection, and ongoing patient management. Yet, despite this central role of temporal comparison in clinical decision-making, existing medical foundation models remain largely confined to single-study understanding, leaving temporally grounded cross-examination insufficiently addressed. To address this gap, we study longitudinal imaging difference reporting, a task in which a model takes two temporally separated scans from the same patient and generates a clinically meaningful report describing interval changes between them. We introduce CT-$Δ$Bench, a dedicated benchmark for this task with patient-level splitting to prevent information leakage. To better evaluate this task beyond surface-level text similarity, we further develop change-aware metrics specifically designed to capture clinically meaningful longitudinal changes, and conduct an independent physician validation to assess the reliability of the synthesized references and event extraction pipeline. We also compare direct paired-CT reasoning with an indirect two-stage pipeline that first generates single-timepoint reports and then performs textual differencing. Finally, we propose DeltaMed, a baseline model for direct paired-CT difference reporting, and train it on the benchmark training set. Together, these contributions lay the groundwork for temporally aware medical foundation models that better reflect real-world longitudinal clinical reasoning.
Abstract（参考訳）: 医学画像学においてCT(CT)の臨床的価値は、現在の疾患の状態を描写するだけでなく、シリアルスキャンの縦断的な比較を可能にして疾患の進化を決定することにある。しかし、この臨床的意思決定における時間的比較の中心的役割にもかかわらず、既存の医療基盤モデルは、時間的根拠のある横断的検査が不十分なまま、シングルスタディの理解に限られている。このギャップに対処するために, モデルが2つの時間的分離スキャンを同一患者から受け取り, それらの間の間隔変化を記述した臨床的意義のあるレポートを生成するという, 縦断的画像差分報告について検討した。患者レベル分割による情報漏洩防止のための専用ベンチマークであるCT-$$$Benchを紹介する。この課題を表層テキストの類似性を超えてよりよく評価するため,臨床上有意な経年変化を捉えるために特別に設計された変化認識尺度を開発し,医師の独立した検証を行い,合成された参照とイベント抽出パイプラインの信頼性を評価する。また,直接対CT推論と間接的な2段階パイプラインを比較して,まず単点レポートを生成し,テキスト差分処理を行う。最後に、直接対CT差分レポートのベースラインモデルであるDeltaMedを提案し、ベンチマークトレーニングセットでトレーニングする。これらの貢献は、現実世界の経時的臨床推論をより反映した、時間的に認識された医療基盤モデルの基礎となった。

関連論文リスト

How Good are Foundation Models in Longitudinal MRI Disease Progression Reasoning? [49.14050864978079]
我々は,マルチビュー解剖学的入力を統一する評価フレームワークであるTime-Aware Multi-View MRI Benchmarkを紹介した。このベンチマークは、3200の縦断MRIのタイムポイントにまたがる890人の患者から得られた、専門家が検証した質問応答ペア3,920名からなる。
論文参考訳（メタデータ） (2026-08-13T14:35:20Z)
MedScribe: Clinically Grounded CT Reporting through Agentic Workflows [13.40306812882295]
視覚言語モデル(VLM)は、自動放射線診断レポート生成の可能性を示している。我々は,仮説駆動型フレームワークであるMedScribeを紹介し,レポート生成を反復的証拠取得プロセスとして再構築する。
論文参考訳（メタデータ） (2026-05-03T08:32:40Z)
Suppressing Prior-Comparison Hallucinations in Radiology Report Generation via Semantically Decoupled Latent Steering [94.37535002230504]
本研究では,Semantically Decoupled Latent Steeringと呼ばれる学習自由な推論時間制御フレームワークを開発した。提案手法は,大言語モデル (LLM) による意味分解による意味のない介入ベクトルを構築する。本手法は歴史的幻覚の可能性を著しく低下させることを示す。
論文参考訳（メタデータ） (2026-02-27T04:49:01Z)
TemMed-Bench: Evaluating Temporal Medical Image Reasoning in Vision-Language Models [54.48710348910535]
既存の医学推論ベンチマークは、主に1回の訪問からの画像に基づいて患者の状態を分析することに焦点を当てている。臨床訪問における患者の状態の変化を分析するための最初のベンチマークであるTemMed-Benchを紹介する。
論文参考訳（メタデータ） (2025-09-29T17:51:26Z)
Unstable Prompts, Unreliable Segmentations: A Challenge for Longitudinal Lesion Analysis [0.5537760992845262]
本稿では,ULS23セグメンテーションモデルの性能を経時的に検討する。本報告では, スキャン間登録誤りによる経過観察におけるセグメンテーション品質の急激な低下と, その後の病変対応過程の崩壊の2つの重要な障害モードを同定した。
論文参考訳（メタデータ） (2025-07-25T12:55:48Z)
HC-LLM: Historical-Constrained Large Language Models for Radiology Report Generation [89.3260120072177]
本稿では,放射線学レポート生成のための歴史制約付き大規模言語モデル (HC-LLM) フレームワークを提案する。胸部X線写真から経時的特徴と経時的特徴を抽出し,疾患の進行を捉える診断報告を行った。特に,本手法は,テスト中の履歴データなしでも良好に動作し,他のマルチモーダル大規模モデルにも容易に適用可能である。
論文参考訳（メタデータ） (2024-12-15T06:04:16Z)
CTPD: Cross-Modal Temporal Pattern Discovery for Enhanced Multimodal Electronic Health Records Analysis [50.56875995511431]
マルチモーダルEHRデータから有意な時間的パターンを効率的に抽出するために,CTPD(Cross-Modal Temporal Pattern Discovery)フレームワークを導入する。提案手法では,時間的セマンティックな埋め込みを生成するためにスロットアテンションを用いて改良された時間的パターン表現を提案する。
論文参考訳（メタデータ） (2024-11-01T15:54:07Z)
Longitudinal Segmentation of MS Lesions via Temporal Difference Weighting [2.0168790328644697]
本稿では,ベースラインとフォローアップスキャンの時間的差を,差分重みブロックと呼ばれるユニークなアーキテクチャ的帰納バイアスによって明示的に取り込む新しい手法を提案する。本研究は,2つのデータセットにまたがる最先端の縦・単点モデルと比較して,病変のセグメンテーションおよび病変検出において優れたスコアを得る。
論文参考訳（メタデータ） (2024-09-20T11:30:54Z)
C^2M-DoT: Cross-modal consistent multi-view medical report generation with domain transfer network [67.97926983664676]
ドメイン転送ネットワーク(C2M-DoT)を用いたクロスモーダルなマルチビュー医療レポート生成を提案する。 C2M-DoTは、すべてのメトリクスで最先端のベースラインを大幅に上回る。
論文参考訳（メタデータ） (2023-10-09T02:31:36Z)
Time-distance vision transformers in lung cancer diagnosis from longitudinal computed tomography [4.924544172166966]
縦断的医療画像は、データ取得において、スパース、不規則な時間間隔というユニークな課題を提示する。本研究では、連続時間のベクトル埋め込みと時間強調モデルを用いて、自己注意重みを拡大する時間距離視覚変換器(ViT)の2つの解釈を提案する。この研究は、縦断的医療画像の分類のための最初の自己注意に基づくフレームワークである。
論文参考訳（メタデータ） (2022-09-04T19:08:44Z)

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。