論文の概要: Evaluating the Safety of Deep Learning-Based Brain MRI Reconstruction
- arxiv url: http://arxiv.org/abs/2608.28714v1
- Date: Fri, 28 Aug 2026 08:08:14 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-01 18:31:30.728825
- Title: Evaluating the Safety of Deep Learning-Based Brain MRI Reconstruction
- Title（参考訳）: 深層学習に基づく脳MRI再建の安全性評価
- Abstract要約: 深層学習は、病変を消去したり、偽の組織を合成したりできるが、PSNRやSSIMミスのようなピクセル平均値の失敗はありえない。
PRISMA 2020の後、263の研究(1995-2026)を含む、日付制限のない7つのデータベースを検索した。
263件中18件(6.8%)のみが、同一データに対する忠実度測定と読者評価の両方を記録しており、中央サロゲートは未測定のままである。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Objective: Deep learning accelerates brain MRI four- to tenfold, but models can erase lesions or synthesize false tissue - failures pixel-averaged metrics like PSNR and SSIM miss. We review whether current evaluation practices detect this blind spot. Methods: Following PRISMA 2020, we searched seven databases without date limits, including 263 studies (1995-2026), appraised them using QUADAS-2 and matched instruments, and synthesized narratively. Categories were derived from titles, abstracts, and controlled vocabulary; reported prevalence figures represent floors. Duplicate screening achieved high agreement (Fleiss kappa = 0.877), as did appraisal (0.788; 0.390 where observable). Extraction is unaudited. Results: Only 18 of 263 studies (6.8%) recorded both a fidelity metric and reader assessment on identical data, leaving the central surrogate unmeasured. Reader studies mostly measured inter-reader agreement, which was weak: fastMRI 2020 concordance reached 0.457 and 0.386 (Kendall W), improving only where SSIM diverged. Erasing a 100 mm3 lacunar infarct shifts global PSNR by 0.03 dB under the stated error model. As the corpus grew fivefold, reader assessments dropped from 32% to 18%, recovering to 21%. Generative models - most associated with hallucination (39%) - were among the least reader-evaluated (11.3%), while self-supervised models reached 47% with zero reader evaluation. Only 5% released code and ran reader studies; none evaluated a model observer; no named dataset covered acute stroke or hemorrhage. Conclusions: On these floors, current evaluation practices cannot certify diagnostic safety. We derive five requirements safety-oriented evaluations must meet.
- Abstract（参考訳）: 目的: ディープラーニングは脳MRIを4倍から10倍に加速するが、モデルでは病変を消去したり、偽組織を合成することができる。
我々は、現在の評価手法がこの盲点を検出するかどうかをレビューする。
方法: PRISMA 2020 の後,263 研究 (1995-2026 年) を含む7 つのデータベースを検索し, quDAS-2 と一致した楽器を用いて評価し, 物語的に合成した。
カテゴリはタイトル、抽象語、制御された語彙に由来する。
重複スクリーニングは評価 (0.788; 0.390, 観測可能) と同様に高い一致(フライス・カッパ=0.877)を達成した。
抽出は未確認である。
結果:263例中18例(6.8%)が同一データに対する忠実度測定値と読解値の両方を記録しており、中央のサロゲートは未測定のままであった。
fastMRI 2020 の一致は 0.457 と 0.386 (ケンドールW) に達し、SSIM が分岐した地点でのみ改善された。
100mm3ラキュナー梗塞の消去は、前述のエラーモデルの下で、グローバルPSNRを0.03dBシフトさせる。
コーパスが5倍に成長すると、読者評価は32%から18%に低下し、21%に回復した。
生成モデル(最も幻覚(39%)と関連付けられている)は読者評価が低く(11.3%)、自己監督モデルは読者評価ゼロで47%に達した。
5%しかリリースされていないコードと読者による調査、モデルオブザーバーの評価は行われなかった。
結論: これらのフロアでは、現在の評価慣行は診断の安全性を証明できない。
安全を重視した5つの評価基準を導出する。
関連論文リスト
- ImplicitMemBench: Measuring Unconscious Behavioral Adaptation in Large Language Models [60.14219417402433]
LLMエージェントの既存のメモリベンチマークは、事実の明示的なリコールを評価するが、意識的な検索なしに、経験が自動的な振る舞いになる暗黙の記憶を見落としている。
IndicitMemBenchは、非宣言的メモリの標準的な認知科学のアカウントから引き出された3つの構造を通して暗黙的メモリを評価する最初の体系的なベンチマークである。
当社の300イテムスイートでは,初動採点を備えたLearning/Priming-Interfere-Testプロトコルを統一しています。
論文 参考訳（メタデータ） (2026-04-09T10:26:32Z) - LoV3D: Grounding Cognitive Prognosis Reasoning in Longitudinal 3D Brain MRI via Regional Volume Assessments [14.481985722970238]
本稿では、縦型T1強調脳MRIを読み取る3次元視覚言語モデルの訓練用パイプラインであるLoV3Dを提案する。
パイプラインは、ラベル一貫性、縦コヒーレンス、生物学的妥当性を強制することで最終的な診断を下す。
被験者レベルのADNIテストセットでは、LoV3Dは3クラスの診断精度が93.7%に達する。
論文 参考訳（メタデータ） (2026-03-12T15:40:59Z) - PanCanBench: A Comprehensive Benchmark for Evaluating Large Language Models in Pancreatic Oncology [48.732366302949515]
大規模言語モデル(LLM)は、標準化された検査において専門家レベルの性能を達成したが、複数の選択精度は現実の臨床的有用性や安全性を十分に反映していない。
我々は、未確認患者の質問に対して、専門家のルーブリックを作成するための、ループ内人間パイプラインを開発した。
LLM-as-a-judge フレームワークを用いて,22のプロプライエタリおよびオープンソース LLM の評価を行い,臨床完全性,事実精度,Web-search 統合について検討した。
論文 参考訳（メタデータ） (2026-03-02T00:50:39Z) - From Scores to Steps: Diagnosing and Improving LLM Performance in Evidence-Based Medical Calculations [45.414878840652115]
大規模言語モデル(LLM)は医療ベンチマークで有望な性能を示した。
しかし、医学的な計算を行う能力は未熟であり、評価も不十分である。
本研究は,臨床信頼性を重視した医療計算評価を再考する。
論文 参考訳（メタデータ） (2025-09-20T09:10:26Z) - Evaluation of Machine Learning Reconstruction Techniques for Accelerated Brain MRI Scans [0.0]
DeepFoqus-Accelerateは、75%のスキャン時間で堅牢な4倍の脳MRI加速を可能にする。
以上の結果から,DeepFoqus-Accelerateは,75%のスキャン時間で頑健な4倍の脳MRI加速を可能にした。
論文 参考訳（メタデータ） (2025-09-08T20:20:24Z) - Utilizing Machine Learning Models to Predict Acute Kidney Injury in Septic Patients from MIMIC-III Database [0.0]
セプシス(Sepsis)は、体が感染に対して正しく反応しない重篤な疾患である。
敗血症患者では、約50%が急性腎障害(AKI)を発症する。
敗血症患者の特徴に基づいてAKIを正確に予測できるモデルは早期発見と介入に不可欠である。
論文 参考訳（メタデータ） (2024-12-04T22:05:35Z) - Artificial Intelligence-Based Triaging of Cutaneous Melanocytic Lesions [0.8864540224289991]
患者数の増加とより包括的な診断の必要性により、病理学者は作業負荷の増大に直面している。
われわれは,全スライド画像に基づいて皮膚メラノサイト性病変をトリアージする人工知能(AI)モデルを開発した。
論文 参考訳（メタデータ） (2024-10-14T13:49:04Z) - Systematic Evaluation of Neural Retrieval Models on the Touché 2020 Argument Retrieval Subset of BEIR [99.13855300096925]
我々は、ニューラル検索モデルの潜在的な限界を探るため、Touch'e 2020データの研究を行っている。
私たちのブラックボックス評価は、短いパスを取得するためのニューラルネットワークの固有のバイアスを明らかにします。
Touch'eの短いパスの多くは議論の余地がなく、したがって関連性がないので、非常に短いパスを除外してTouch'e 2020のデータに注目する。
論文 参考訳（メタデータ） (2024-07-10T16:07:51Z) - 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) - A self-supervised learning strategy for postoperative brain cavity
segmentation simulating resections [46.414990784180546]
畳み込みニューラルネットワーク(CNN)は最先端の画像セグメンテーション技術である。
CNNはトレーニングに大量の注釈付きデータセットを必要とする。
自己教師型学習戦略は、トレーニングにラベルのないデータを活用することができる。
論文 参考訳（メタデータ） (2021-05-24T12:27:06Z) - Handling Missing MRI Input Data in Deep Learning Segmentation of Brain
Metastases: A Multi-Center Study [1.4463443378902883]
深層学習に基づくDropOutと呼ばれる脳転移の自動セグメンテーションのためのセグメンテーションモデルが、マルチシーケンスMRIで訓練された。
セグメンテーションの結果は、最先端のDeepLabV3モデルの性能と比較された。
DropOutモデルはDeepLabV3モデルに比べてかなり高いスコアを示した。
論文 参考訳（メタデータ） (2019-12-27T02:49:45Z)
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。