論文の概要: Extending the Horizon of Early Diagnosis: Lung Cancer Prediction with Vision Transformers

• arxiv url: http://arxiv.org/abs/2608.21571v1
• Date: Fri, 21 Aug 2026 19:19:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-25 13:29:43.29354
• Title: Extending the Horizon of Early Diagnosis: Lung Cancer Prediction with Vision Transformers
• Title（参考訳）: 早期診断の水平性の拡張:視覚変換器を用いた肺癌の予知
• Abstract要約: 早期の悪性腫瘍は胸部X線を微妙に分析し、放射線医に挑戦する。 本研究は,臨床診断の1～2年前における肺がん予測のためのビジョントランスフォーマー (ViTs) について検討した。 ボストンのジャマイカ平原VA病院で91,020例の胸部X線画像から259,361例の胸部X線を解析した。
• 参考スコア（独自算出の注目度）: 5.782863702102767
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Lung cancer remains a leading cause of cancer-related mortality worldwide, and early diagnosis is critical for improving survival. However, early-stage malignancies can be subtle on chest X-rays, creating challenges for radiologists. This study evaluates Vision Transformers (ViTs) for predicting lung cancer one to two years before clinical diagnosis. We analyzed 259,361 chest X-rays from 91,020 imaging studies at the Jamaica Plains VA Hospital in Boston, MA. The dataset showed extreme class imbalance, approximately 1:150 cancer to non-cancer, which was addressed using hybrid under- and over-sampling and class-weighted loss optimization. Three ViT configurations were evaluated: a model trained from scratch, an ImageNet-pretrained model, and a Corona-pretrained model fine-tuned on the lung cancer dataset. Transfer learning improved performance, with pretrained models exceeding the scratch baseline by 6-10 percentage points in AUC and about 10-12 percent in balanced accuracy. ImageNet-pretrained models showed the most stable overall performance, while Corona-pretrained models achieved higher sensitivity in some settings but greater variability. Moderate resampling ratios, including 1:1 undersampling and 1.5:2 oversampling, provided favorable trade-offs between sensitivity, precision, and computational efficiency, reducing runtime by up to 70 percent without major performance loss. These findings demonstrate the potential of ViTs for early lung cancer risk prediction from routine chest X-rays. Although performance remains below clinical deployment thresholds, the results support further development of ViT-based triage systems to flag high-risk patients for earlier evaluation.
• Abstract（参考訳）: 肺がんは世界中でがん関連死亡の原因であり、早期診断は生存率の向上に不可欠である。 しかし、早期の悪性腫瘍は胸部X線を微妙に分析し、放射線医に挑戦する。 本研究は,臨床診断の1～2年前における肺がん予測のためのビジョントランスフォーマー (ViTs) について検討した。 ボストンのジャマイカ平原VA病院で91,020例の胸部X線画像から259,361例の胸部X線を解析した。 このデータセットは,非癌に対して1:150の極度のクラス不均衡を示し,ハイブリッドアンダーサンプリングとオーバーサンプリングとクラス重み付き損失最適化を用いて対処した。 3つのViT構成が評価され、スクラッチからトレーニングされたモデル、ImageNet-pretrainedモデル、Corona-pretrainedモデルが肺がんデータセットに微調整された。 転送学習の性能は向上し、事前訓練されたモデルはAUCで6～10ポイント、バランスの取れた精度で約10～12パーセント向上した。 ImageNet-pretrainedモデルが最も安定した全体的な性能を示し、Corona-pretrainedモデルはいくつかの設定で高い感度を得た。 1:1アンダーサンプリングと1.5:2オーバーサンプリングを含む適度な再サンプリング比率は、感度、精度、計算効率のトレードオフを良好に提供し、大きなパフォーマンス損失を伴わずにランタイムを最大70%削減した。 胸部X線による早期肺癌リスク予測におけるViTsの有用性が示唆された。 成績は, 臨床展開基準を下回るが, 早期評価のために高リスク患者にフラグを付けるために, ViT ベースのトリアージシステムの開発を後押しする。

関連論文リスト

• Distilling Photon-Counting CT into Routine Chest CT through Clinically Validated Degradation Modeling [51.330452704464925]
  145の病院から1,046のPCCTと405,379のEICTで潜伏拡散モデルを訓練した。 我々は,PCCTライクな品質に拡張された17,316以上の公開EICTの大規模データセットを構築した。 以上の結果から,現像技術の進歩は,限られた高画質スキャンを基準として,定期的なEICTに体系的に蒸留できることが示唆された。
  論文  参考訳（メタデータ） (2026-04-08T17:47:35Z)
• LungEvaty: A Scalable, Open-Source Transformer-based Deep Learning Model for Lung Cancer Risk Prediction in LDCT Screening [37.29507297342265]
  LungEvatyは、1つのLDCTスキャンから1-6年の肺がんリスクを予測するトランスフォーマーベースのフレームワークである。 大規模なスクリーニングデータから直接学習し、悪性リスクに関連する包括的な解剖学的および病理学的手がかりをキャプチャする。 LungEvatyは9万回以上のCTスキャンを行い、28,000回以上の微調整、6000回以上の評価を行った。
  論文  参考訳（メタデータ） (2025-11-25T09:38:10Z)
• A Machine Learning Approach to Volumetric Computations of Solid Pulmonary Nodules [12.415286588339901]
  マルチスケール3次元畳み込みニューラルネットワーク(CNN)とサブタイプ固有のバイアス補正を組み合わせた高精度なボリューム推定手法を提案する。 その結果,処理速度において17ポイント以上の誤差が減少し,3倍の高速化が得られた。
  論文  参考訳（メタデータ） (2025-08-26T03:36:32Z)
• Fast-staged CNN Model for Accurate pulmonary diseases and Lung cancer detection [0.0]
  本研究は, 肺がん, 特に肺結節の検出を目的とした深層学習モデルと, 胸部X線写真を用いた8つの肺病理組織について検討した。 アンサンブル法とトランスファーラーニングを利用した2段階分類システムを用いて,最初のトリアージ画像を正規あるいは異常に分類する。 このモデルでは、最高の性能の精度は77%、感度は0.713、特異度は0.776、AUCスコアは0.888である。
  論文  参考訳（メタデータ） (2024-12-16T11:47:07Z)
• Mortality Prediction of Pulmonary Embolism Patients with Deep Learning and XGBoost [0.5942186563711294]
  肺塞栓症(PE)は死亡率と致命的な疾患の主要な原因である。 従来の臨床手法では, PE患者の30日間の院内死亡を予測できた。
  論文  参考訳（メタデータ） (2024-11-27T05:15:55Z)
• Enhancing Clinically Significant Prostate Cancer Prediction in T2-weighted Images through Transfer Learning from Breast Cancer [71.91773485443125]
  転送学習は、よりリッチなデータを持つドメインから取得した機能を活用して、限られたデータを持つドメインのパフォーマンスを向上させるテクニックである。 本稿では,T2強調画像における乳癌からの転移学習による臨床的に有意な前立腺癌予知の改善について検討する。
  論文  参考訳（メタデータ） (2024-05-13T15:57:27Z)
• Improving Breast Cancer Grade Prediction with Multiparametric MRI Created Using Optimized Synthetic Correlated Diffusion Imaging [71.91773485443125]
  乳がん治療計画において、グレーディングは重要な役割を担っている。 現在の腫瘍グレード法では、患者から組織を抽出し、ストレス、不快感、医療費の上昇につながる。 本稿では,CDI$s$の最適化による乳癌の診断精度の向上について検討する。
  論文  参考訳（メタデータ） (2024-05-13T15:48:26Z)
• Variational Autoencoders for Feature Exploration and Malignancy Prediction of Lung Lesions [0.0]
  肺がんはイギリスで21%のがん死の原因となっている。 最近の研究は、定期的なスキャンから肺がんの正確な早期診断のためのAI手法の能力を実証している。 本研究では, 変異型オートエンコーダ(VAE)の肺癌病変に対する応用について検討した。
  論文  参考訳（メタデータ） (2023-11-27T11:12:33Z)
• CAE-Transformer: Transformer-based Model to Predict Invasiveness of Lung Adenocarcinoma Subsolid Nodules from Non-thin Section 3D CT Scans [36.093580055848186]
  肺腺癌(LAUC)は近年最も多い疾患である。 肺結節の侵襲性に関するタイムリーかつ正確な知識は適切な治療計画をもたらし、不必要な手術や遅発手術のリスクを低減させる。 LAUCの浸潤度を評価し,予測するための主要な画像モダリティは胸部CTである。 本稿では、LAUCを分類するために、予測トランスフォーマーベースのフレームワーク「CAE-Transformer」を開発した。
  論文  参考訳（メタデータ） (2021-10-17T04:37:24Z)
• COVID-19 Prognosis via Self-Supervised Representation Learning and Multi-Image Prediction [32.91440827855392]
  胸部X線に基づいて2種類の患者の劣化を予測するタスクを検討する。 新型コロナウイルス(covid-19)患者のデータが少ないため、既存のソリューションは、関連しない画像で教師付き事前トレーニングを利用する。 本論文では,前訓練段階における運動量コントラスト(MoCo)法に基づく自己監督学習を用いて,下流タスクに用いる一般的な画像表現を学習する。
  論文  参考訳（メタデータ） (2021-01-13T07:03:17Z)
• Integrative Analysis for COVID-19 Patient Outcome Prediction [53.11258640541513]
  我々は、集中治療室入院の必要性を予測するために、人口統計、バイタルサイン、実験室の所見から、肺不透明度の放射能と非画像の特徴を組み合わせる。 また, 地域性肺炎を含む他の肺疾患にも適用できるが, 地域性肺炎に限らない。
  論文  参考訳（メタデータ） (2020-07-20T19:08:50Z)
• Predicting COVID-19 Pneumonia Severity on Chest X-ray with Deep Learning [57.00601760750389]
  前頭部胸部X線画像の重症度予測モデルを提案する。 このようなツールは、エスカレーションやケアの非エスカレーションに使用できる新型コロナウイルスの肺感染症の重症度を測定することができる。
  論文  参考訳（メタデータ） (2020-05-24T23:13:16Z)

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。