論文の概要: MIRROR: Multimodal Intelligent Radiology Reasoning and Observation Reporter
- arxiv url: http://arxiv.org/abs/2608.16709v1
- Date: Mon, 17 Aug 2026 15:25:38 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-18 19:59:03.778713
- Title: MIRROR: Multimodal Intelligent Radiology Reasoning and Observation Reporter
- Title（参考訳）: MIRROR:マルチモーダル・インテリジェント・ラジオロジー・レポーター
- Abstract要約: MIRRORは失敗と成功を分けるために開発された研究用プロトタイプである。
複数ラベルの分類器、Grad-CAMローカライザ、ラベル、確率、および領域を受信するレポートライターをチェーンするが、イメージは決して受信しない。
MIRRORレポートの発見は確率ベクトルに対して監査可能であり、それらをフレーミングする文は通常の生成テキストである。
- 参考スコア（独自算出の注目度）: 1.3106404792425626
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: A radiologist reading a model's output faces two problems. The model returns a number and no reason, and any system that turns that number into readable prose can quietly add claims the model never made. MIRROR is a research prototype built to separate those failures. It chains a multi-label classifier, a Grad-CAM localizer that turns each positive finding into a named anatomical region, and a report writer that receives the labels, probabilities, and regions but never the image. Because the language layer cannot see pixels, it cannot assert a finding the classifier did not make. We are precise about what that buys: a MIRROR report's findings are auditable against the probability vector, while the sentences framing them are ordinary generated text, and we show one stating a cardiothoracic ratio the system never measured. One registry holds the taxonomy, anatomy, and phrasing for chest X-ray, brain MRI, and head CT, so adding a modality is a data change; all three are routed and tested, one is trained. On ChestMNIST that classifier reaches macro AUROC 0.729 and ranks better than chance on all 14 labels, at 1.6 to 6.8 times the precision a random ranker would get. Yet at the default 0.5 threshold it emits no positive prediction at all for 11 of them, and its excellent-looking Brier score of 0.045 sits beside the 0.047 earned by a predictor that ignores the image. The discrimination is real; the decisions are not. Under the class imbalance normal in radiology, aggregate metrics flatter models that do nothing, and should be reported against that floor.
- Abstract（参考訳）: モデルの出力を読んでいる放射線技師は、2つの問題に直面します。
モデルは数を返すが、理由はない。その数を可読な散文に変換するシステムは、そのモデルが生成しなかった主張を静かに追加することができる。
MIRRORはこれらの故障を分離するために開発された研究用プロトタイプである。
複数ラベルの分類器、Grad-CAMローカライザをチェーンし、それぞれの正の発見を匿名の解剖学的領域に変換する。
言語層はピクセルを見ることができないため、分類器が作らなかったことを見つけることはできない。
MIRRORレポートの発見は確率ベクトルに対して監査可能であり, フレーミングする文は通常のテキストであり, 心胸腔内比は測定されなかった。
1つのレジストリは、胸部X線、脳MRI、頭部CTの分類、解剖学、言い回しを保持するため、モダリティを追加することはデータ変更であり、3つ全てがルーティングされ、テストされ、1つは訓練されている。
ChestMNISTでは、分類器がマクロAUROC 0.729に達し、ランダムなランク付けの精度の1.6倍から6.8倍の確率で14のラベルにランク付けされる。
しかし、デフォルトの0.5しきい値では11の正の予測をまったく出さず、その見栄えのよい0.045のブライアスコアは、画像を無視した予測器によって得られる0.047の横にある。
差別は現実であり、決定はそうではない。
放射線学におけるクラス不均衡の下では、集約されたメトリクスは、何もしないモデルよりもフラットになり、そのフロアに対して報告すべきである。
関連論文リスト
- The Diagnosis a Reporter Leaves Unspoken: Surfacing Frozen Tumor Features for Brain-Tumor MRI Reporting [0.9283653948385912]
有能な脳MRIレポートジェネレータは診断的に静かである。
NeuroFusionはそれをオーバーライドするのではなく、この潜伏シグナルを表面化する。
ボード認証された2人の神経学者は、それぞれの腫瘍タイプでNeuroFusionを個別に評価した。
論文 参考訳（メタデータ） (2026-09-02T10:29:53Z) - Explaining AI-Image Detection: What the Heatmap Actually Shows [65.01025489527173]
私たちは検出器を構築し、その証拠として属性マップを添付します。
私たちは、そのペアがコントロール下の186,527のイメージにもたらすものを測定します。
属性ランキングが存在するかどうかは、検出器が画像に反応するかどうかに依存する。
論文 参考訳（メタデータ） (2026-07-31T16:07:05Z) - Trustworthy Medical Segmentation: Uncertainty-Aware U-Net Evaluation Under Clinical Image Degradation [0.0]
臨床劣化下での不確実性認識セグメンテーションを評価するための枠組みを提案する。
セグメンテーションの精度、校正、故障検出、選択的予測カバレッジを測定する。
これらの結果は, 医師・医師・医科医の安全層としての不確実性を考慮した推論を論じるものである。
論文 参考訳（メタデータ） (2026-07-22T06:35:33Z) - Monte Carlo Dropout Uncertainty and Entropy-Thresholded Selective Prediction for Architecture-Agnostic Brain Tumor MRI Triage [0.0]
本研究は4クラス脳腫瘍MRIのための不確実性第一パイプラインを提案する。
モンテカルロ (MC) による T = 20 パス上のドロップアウトからの予測の不確実性を読み出し、その結果のエントロピーを、不確実なケースを放射線学者に延期する明示的な規則に変換する。
論文 参考訳（メタデータ） (2026-07-15T06:21:17Z) - CogRad: A Cognitively-Inspired Multi-Agent Framework for Radiology Report Generation [5.995766869240907]
CogRad(コグラッド)は、放射線学者の読影過程の4段階にまたがる生成を構造化するフレームワークである。
CheXpert Plusでは、CagRadが0.316のBLEU-4と0.322のCIDErを獲得しています。
論文 参考訳（メタデータ） (2026-07-04T12:43:04Z) - Vision-language models for chest radiography do not always need the image [4.363746910191589]
医用視覚言語モデルは、強い胸部X線撮影精度を報告し、これが画像を使用する証拠としてますます読まれている。
我々は,画像に介入し,関連領域を除外し,関連のない領域を除外し,別の患者の同一ラベルスキャンに切り替える因果監査を導入する。
9つのシステムで、画像アクセスのないテキストのみのモデルは、最高のマルチモーダルの5.7の精度ポイントに到達する。
論文 参考訳（メタデータ） (2026-06-16T09:22:10Z) - Automated Spinal MRI Labelling from Reports Using a Large Language Model [45.348320669329205]
大規模言語モデルを用いたラジオロジーレポートからラベルの抽出を自動化するパイプラインを提案する。
本手法は,GPT-4と同等か,あるいは超えている。
抽出したラベルを用いて画像モデルの訓練を行い,MRスキャンによる特定条件の分類を行う。
論文 参考訳（メタデータ） (2024-10-22T17:54:07Z) - Brain Tumor Classification on MRI in Light of Molecular Markers [56.99710477905796]
1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。
本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
論文 参考訳（メタデータ） (2024-09-29T07:04:26Z) - 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) - Significantly improving zero-shot X-ray pathology classification via fine-tuning pre-trained image-text encoders [50.689585476660554]
本稿では,正対損失緩和とランダムな文サンプリングを含む新たな微調整手法を提案する。
提案手法は,胸部X線データセットと3つの事前訓練モデル間のゼロショット病理分類を一貫して改善する。
論文 参考訳（メタデータ） (2022-12-14T06:04:18Z) - StRegA: Unsupervised Anomaly Detection in Brain MRIs using a Compact
Context-encoding Variational Autoencoder [48.2010192865749]
教師なし異常検出(UAD)は、健康な被験者の異常なデータセットからデータ分布を学習し、分布サンプルの抽出に応用することができる。
本研究では,コンテクストエンコーディング(context-encoding)VAE(ceVAE)モデルのコンパクトバージョンと,前処理と後処理のステップを組み合わせて,UADパイプライン(StRegA)を作成することを提案する。
提案したパイプラインは、BraTSデータセットのT2w画像と0.859$pm$0.112の腫瘍を検出しながら、Diceスコアが0.642$pm$0.101に達した。
論文 参考訳（メタデータ） (2022-01-31T14:27:35Z) - An interpretable classifier for high-resolution breast cancer screening
images utilizing weakly supervised localization [45.00998416720726]
医用画像の特徴に対処する枠組みを提案する。
このモデルはまず、画像全体の低容量だがメモリ効率のよいネットワークを使用して、最も情報性の高い領域を識別する。
次に、選択したリージョンから詳細を収集するために、別の高容量ネットワークを適用します。
最後に、グローバルおよびローカル情報を集約して最終的な予測を行うフュージョンモジュールを使用する。
論文 参考訳（メタデータ） (2020-02-13T15:28:42Z)
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。