論文の概要: Auditable CT Phenotyping Through Report-derived Radiological Observations

• arxiv url: http://arxiv.org/abs/2608.25948v1
• Date: Wed, 26 Aug 2026 16:03:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-27 14:15:15.895832
• Title: Auditable CT Phenotyping Through Report-derived Radiological Observations
• Title（参考訳）: レポート由来のX線学的観察による聴取性CT所見の検討
• Abstract要約: 医用画像基礎モデルはCT(Computed Tomography)から臨床表現型を予測することができる Auditable CT phenotyping (ACT) を用いたElectronic-Health-Record (EHR) 表現型221例の検査を行った。 ACTはゼロショットアノテーションで5つの視覚言語ベースラインを超え,CT-CLIPは未確認のCT肺血管造影で221種類の表現型にまたがった。
• 参考スコア（独自算出の注目度）: 22.78768539426378
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Medical image foundation models can predict clinical phenotypes from computed tomography (CT), but strong performance leaves open whether they read disease-specific findings or shortcuts that correlate with the diagnosis. We tested this in 221 electronic-health-record (EHR) phenotypes using Auditable CT phenotyping (ACT), built on report-derived radiological observations. We trained ACT on 38,317 patients, mined 376,194 observations and evaluated it in 25,183 held-out patients. ACT exceeded five vision-language baselines on zero-shot annotation, and CT-CLIP across 221 phenotypes from unseen CT pulmonary angiography, both under zero-shot scoring (0.651 versus 0.572) and under linear probing (0.709 versus 0.662). Reading each probe exposes what accuracy conceals: only 97 observations occupy the 221 rank-1 positions, and one phrase describing aortic and coronary calcification ranks first for 20 phenotypes, including osteoporosis, urinary tract infection and major depressive disorder. Restricting the bank to clinician-specified evidence redirects those probes onto phenotype-related observations in 86 phenotypes at no accuracy cost (0.751 versus 0.741). Accurate CT-based EHR phenotyping can therefore rest on observations that are not valid evidence for the coded phenotype and that ACT can identify and intervene on.
• Abstract（参考訳）: 医用画像基盤モデルはCT(Computed tomography)から臨床表現型を予測することができるが、疾患特異的な所見や診断と相関するショートカットを読めば、強いパフォーマンスが失われる。 Auditable CT phenotyping (ACT) を用いたEHR(Electronic-Health-Record)表現型221例で, 報告由来の放射線学的観察により検討した。 ACTは38,317例, 376,194例で測定し, 25,183例で検討した。 ACTはゼロショットアノテーションの5つのベースラインを超え、CT-CLIPはゼロショットスコア (0.651 vs 0.572) とリニアプローブ (0.709 vs 0.662) の221の表現型にまたがった。 97の観察で221ランクの1位を占め、大動脈と冠動脈石灰化を記述した1つのフレーズは、骨粗しょう症、尿路感染症、うつ病など20種類の表現型で第1位である。 銀行を臨床で特定された証拠に制限することは、これらのプローブを86の表現型(0.751対0.741対0.751)の表現型に関する観察に、正確性のないコストでリダイレクトする。 したがって、正確なCTベースのEHR表現型は、コード化された表現型の有効な証拠ではなく、ACTが識別し介入できるという観察に頼ることができる。

関連論文リスト

• HalluCXR: Benchmarking and Mitigating Hallucinations in Medical Vision-Language Models for Chest Radiograph Interpretation [7.512887610816016]
  HalluCXRは、856個の胸部X線写真から6つのアーキテクチャ的に多様な視覚言語モデルを評価するベンチマークである。 61.9--82.3%のアウトプットには幻覚が含まれており、臨床的に危険なエラーは最大80.2%である。 これらの結果から, 幻覚検査, 冗長性に基づくリスクモニタリング, アンサンブルに基づく安全層が臨床展開の前提条件であることが確認された。
  論文  参考訳（メタデータ） (2026-05-19T20:30:32Z)
• 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)
• ASCENDgpt: A Phenotype-Aware Transformer Model for Cardiovascular Risk Prediction from Electronic Health Records [0.04910937238451483]
  ASCENDgptは経時的電子的健康記録から心血管性リスクを予測するためのトランスフォーマーモデルである。 本手法では,47,155個の生のICDコードを176個の臨床的に有意な表現型トークンにマッピングする新規な表現型トークン化方式を提案する。 この表現型マッピングは、10,442個のトークンの総語彙に寄与する。
  論文  参考訳（メタデータ） (2025-08-31T16:43:07Z)
• Interpretable Artificial Intelligence for Detecting Acute Heart Failure on Acute Chest CT Scans [2.2192473101240764]
  胸部CT検査は、急性心不全(AHF)が重要な鑑別診断であるジスキニー病患者にますます用いられる。 胸部CTにおけるAHFの放射線学的徴候を胸部X線検査に匹敵する精度で検出する,説明可能なAIモデルの開発を目指している。
  論文  参考訳（メタデータ） (2025-07-11T18:25:34Z)
• Evaluating Large Language Models for Multimodal Simulated Ophthalmic Decision-Making in Diabetic Retinopathy and Glaucoma Screening [37.69303106863453]
  大規模言語モデル(LLM)は、自然言語のプロンプトに基づいて臨床推論をシミュレートすることができるが、眼科におけるそれらの有用性はほとんど解明されていない。 本研究は,GPT-4による網膜底写真の構造的記述の解釈能力について検討した。 300点の注釈付き眼底画像を用いた振り返り診断検査を行った。
  論文  参考訳（メタデータ） (2025-07-02T01:35:59Z)
• PhenoKG: Knowledge Graph-Driven Gene Discovery and Patient Insights from Phenotypes Alone [40.61937241424789]
  本稿では,患者表現型から因果遺伝子を予測するためのグラフベースのアプローチを提案する。 我々のモデルは、グラフニューラルネットワークとトランスフォーマーを組み合わせることで、現在の最先端技術よりも大幅に改善されている。
  論文  参考訳（メタデータ） (2025-06-16T05:54:12Z)
• 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)
• Attention-based Saliency Maps Improve Interpretability of Pneumothorax Classification [52.77024349608834]
  視覚変換器(ViT)の胸部X線撮影(CXR)分類性能と注意ベース唾液の解釈可能性について検討する。 ViTは、CheXpert、Chest X-Ray 14、MIMIC CXR、VinBigDataの4つの公開データセットを用いて、肺疾患分類のために微調整された。 ViTsは最先端のCNNと比べてCXR分類AUCに匹敵するものであった。
  論文  参考訳（メタデータ） (2023-03-03T12:05:41Z)
• Unsupervised Numerical Reasoning to Extract Phenotypes from Clinical Text by Leveraging External Knowledge [11.91707762836693]
  現在の表現型モデルでは、一般的な表現型を検出できるが、数値的な推論を必要とする表現型を検出すると性能が低下する。 本稿では,外部知識と文脈的単語埋め込みを利用した新規な教師なし手法について紹介する。 これは、一般化されたリコールとF1のスコアがそれぞれ79%、F1のスコアが71%という、大幅なパフォーマンス向上を示している。
  論文  参考訳（メタデータ） (2022-04-19T12:44:32Z)
• Event-based clinical findings extraction from radiology reports with pre-trained language model [0.22940141855172028]
  今回,臨床所見を付加した新しい放射線診断報告のコーパスを報告する。 金の標準コーパスには合計500点の注記CTレポートが含まれていた。 BERTを含む2つの最先端ディープラーニングアーキテクチャを用いて、トリガと引数のエンティティを抽出した。
  論文  参考訳（メタデータ） (2021-12-27T05:03:10Z)
• Identification of Ischemic Heart Disease by using machine learning technique based on parameters measuring Heart Rate Variability [50.591267188664666]
  本研究は,243名の非侵襲的特徴(年齢,性別,左室容積率,HRV15)を用いて,一連のANNの訓練と評価を行った。 最高の結果は、7つの入力パラメータと7つの隠れノードを使用して、トレーニングと検証データセットに対して98.9%と82%の精度で得られた。
  論文  参考訳（メタデータ） (2020-10-29T19:14:41Z)
• Machine Learning Automatically Detects COVID-19 using Chest CTs in a Large Multicenter Cohort [43.99203831722203]
  16施設2096例の胸部CT検査を行った。 新型コロナウイルスの分類のためのメートル法に基づくアプローチは、解釈可能な特徴を使用した。 深層学習に基づく分類器は,CT減衰から抽出した3D特徴と空域不透明度の確率分布を区別した。
  論文  参考訳（メタデータ） (2020-06-09T00:40:35Z)

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。