論文の概要: Whole-Body MRI Classification via Prompt-Based Clinical Conditioning

• arxiv url: http://arxiv.org/abs/2608.30824v1
• Date: Mon, 31 Aug 2026 14:03:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-01 18:31:31.430794
• Title: Whole-Body MRI Classification via Prompt-Based Clinical Conditioning
• Title（参考訳）: Prompt-based Clinical Conditioning による全体MRI分類
• Abstract要約: TACTIC(Tabular-Attribute Conditioned Transformer for Image Classification)は、WB-MRIと構造化された臨床データを条件付き視覚特徴学習を通じて統合するプロンプトベースのフレームワークである。 我々は, 糖尿病, COPD, 乳癌, 前立腺癌, 転移診断など, 全身および腫瘍学的応用にまたがる5つのWB-MRI分類課題について, TACTICを評価した。
• 参考スコア（独自算出の注目度）: 3.7441840033323266
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Combining whole-body magnetic resonance imaging (WB-MRI) with clinical variables has the potential to improve systemic disease diagnosis by leveraging complementary sources of patient information. However, structured clinical variables are often incomplete or missing, limiting the applicability of conventional multimodal fusion methods that assume fixed inputs. In this work, we propose TACTIC (Tabular-Attribute Conditioned Transformer for Image Classification), a prompt-based multimodal framework that integrates WB-MRI and structured clinical data through conditional visual feature learning. By encoding clinical attributes as prompts, TACTIC supports an arbitrary number of tabular inputs and naturally handles missing data without requiring imputation or fixed input structures. We evaluate TACTIC on five WB-MRI classification tasks spanning systemic and oncologic applications, including diabetes, chronic obstructive pulmonary disease (COPD), breast cancer, prostate cancer, and metastasis diagnosis. Across all tasks, TACTIC consistently improves performance over image-only baselines when clinical information is available while maintaining strong predictive capability under incomplete tabular inputs. Our results demonstrate the effectiveness of prompt-based models as a flexible approach for improving WB-MRI analysis using clinical context. The model weights and code are available at https://github.com/lauradaza/TACTIC
• Abstract（参考訳）: 全身核磁気共鳴画像(WB-MRI)と臨床変数を組み合わせることで、患者情報の相補的な情報源を活用することで、全身疾患の診断を改善することができる。 しかし、構造化された臨床変数はしばしば不完全または欠落しており、固定入力を仮定する従来のマルチモーダル融合法の適用性を制限している。 本研究では,WB-MRIと構造化された臨床データを条件付き視覚的特徴学習を通じて統合した,プロンプトベースのマルチモーダルフレームワークであるTACTIC(Tabular-Attribute Conditioned Transformer for Image Classification)を提案する。 臨床属性をプロンプトとして符号化することにより、TACTICは任意の数の表型入力をサポートし、計算や固定された入力構造を必要とせずに、欠落したデータを自然に処理する。 我々は,糖尿病,慢性閉塞性肺疾患(COPD),乳癌,前立腺癌,転移診断など,全身的および腫瘍学的応用にまたがる5つのWB-MRI分類課題についてTACTICを評価した。 全てのタスクにおいて、TACTICは、不完全な表型入力の下で強力な予測能力を保ちながら、臨床情報が得られる場合、画像のみのベースラインよりも一貫してパフォーマンスを向上する。 本研究は,臨床コンテキストを用いたWB-MRI解析におけるプロンプトベースモデルの有効性を示すものである。 モデルの重みとコードはhttps://github.com/lauradaza/TACTICで公開されている。

関連論文リスト

• Concept-Grounded Reasoning with Prompt-Driven Localization for Interpretable Structured Report Generation [66.62662330558906]
  CORALは、空間的接地と概念レベルの監督を統一的な推論プロセスに統合するマルチモーダルフレームワークである。 コーラルは、疾患の局所化とコンセプション・ボトルネックモジュールによる多クラス臨床属性の予測のために、プロンプト駆動型医療セグメンテーションモデルを採用している。 BUS-CoTとIU X線データセットの実験では、診断精度、概念整合性、報告品質が強力な汎用および医療MLLMよりも一貫した改善が示されている。
  論文  参考訳（メタデータ） (2026-09-14T10:21:23Z)
• JI-ADF: Joint-Individual Learning with Adaptive Decision Fusion for Multimodal Skin Lesion Classification [1.57333503756856]
  皮膚病変の分類は早期皮膚科診断に不可欠である。 既存のコンピュータ支援システムの多くは、主に皮膚鏡画像に頼り、マルチモーダルな証拠を過小評価している。 皮膚内視鏡画像,臨床写真,構造化された患者のメタデータを統合した3モーダル深層学習フレームワークである textbfJI-ADF を提案する。
  論文  参考訳（メタデータ） (2026-04-30T02:48:15Z)
• ClinDEF: A Dynamic Evaluation Framework for Large Language Models in Clinical Reasoning [58.01333341218153]
  ClinDEF(ClinDEF)は, LLMにおける臨床推論をシミュレートされた診断対話を用いて評価する動的フレームワークである。 本手法は, 患者を発症し, LLMをベースとした医師と自動患者エージェントとのマルチターンインタラクションを容易にする。 実験により、ClinDEFは最先端のLSMにおいて重要な臨床推論ギャップを効果的に露呈することが示された。
  論文  参考訳（メタデータ） (2025-12-29T12:58:58Z)
• Prompt-Aware Adaptive Elastic Weight Consolidation for Continual Learning in Medical Vision-Language Models [0.0]
  医用視覚言語モデルは、医用画像と臨床用語の間の横断的なアライメントを維持する必要がある。 本稿では,新しい連続学習手法であるPrompt-Aware Adaptive Elastic Weight Consolidation (PA-EWC)を紹介する。 実験の結果、PA-EWCは基準法に比べて最大17.58%の破滅的な忘れ込みを減少させることが示された。
  論文  参考訳（メタデータ） (2025-11-25T12:22:56Z)
• Timely Clinical Diagnosis through Active Test Selection [49.091903570068155]
  本稿では,現実の診断推論をよりうまくエミュレートするためのACTMED (Adaptive Clinical Test selection via Model-based Experimental Design)を提案する。 LLMは柔軟なシミュレータとして機能し、構造化されたタスク固有のトレーニングデータを必要とせずに、患者状態のもっともらしい分布を生成し、信念の更新をサポートする。 我々は、実世界のデータセット上でACTMEDを評価し、診断精度、解釈可能性、リソース使用量を改善するためにテスト選択を最適化できることを示す。
  論文  参考訳（メタデータ） (2025-10-21T18:10:45Z)
• impuTMAE: Multi-modal Transformer with Masked Pre-training for Missing Modalities Imputation in Cancer Survival Prediction [75.43342771863837]
  我々は,効率的なマルチモーダル事前学習戦略を備えた新しいトランスフォーマーに基づくエンドツーエンドアプローチである impuTMAE を紹介する。 マスクされたパッチを再構築することで、モダリティの欠如を同時に示唆しながら、モダリティ間の相互作用とモダリティ内相互作用を学習する。 本モデルは,TGA-GBM/LGGとBraTSデータセットを用いたグリオーマ生存予測のために,異種不完全データに基づいて事前訓練を行った。
  論文  参考訳（メタデータ） (2025-08-08T10:01:16Z)
• NeuroMoE: A Transformer-Based Mixture-of-Experts Framework for Multi-Modal Neurological Disorder Classification [3.5313393560458826]
  Deep Learningは最近、診断を助けるために医療データから意味のあるパターンを抽出する強力なツールとして登場した。 神経疾患を分類するための新しいトランスフォーマーベースのMixture-of-Experts(MoE)フレームワークを提案する。 我々のフレームワークは82.47%の検証精度を達成し、ベースライン法を10%以上上回っている。
  論文  参考訳（メタデータ） (2025-06-17T20:40:06Z)
• Towards Accurate and Interpretable Neuroblastoma Diagnosis via Contrastive Multi-scale Pathological Image Analysis [16.268045905735818]
  病理画像分類に適したコントラスト学習に基づくマルチスケール機能融合モデルであるCMSwinKANを提案する。 マルチスケールの特徴を融合させ、対照的な学習戦略を活用することで、CMSwinKANは臨床医の包括的なアプローチを模倣する。 その結果、CMSwinKANは、既存の最先端の病理モデルよりも、大規模なデータセットで事前訓練されたモデルよりもパフォーマンスがよいことが示された。
  論文  参考訳（メタデータ） (2025-04-18T15:39:46Z)
• Clinical Evaluation of Medical Image Synthesis: A Case Study in Wireless Capsule Endoscopy [63.39037092484374]
  人工知能(AI)に基づく合成データ生成は、臨床医学の届け方を変えることができる。 本研究は,無線カプセル内視鏡(WCE)画像を用いた炎症性腸疾患(IBD)の診断における概念実証による医療用SDGの臨床評価に焦点を当てた。 その結果、TIDE-IIは、最先端の生成モデルと比較して品質が向上し、臨床的に可塑性で、非常に現実的なWCE画像を生成することがわかった。
  論文  参考訳（メタデータ） (2024-10-31T19:48:50Z)
• DSCENet: Dynamic Screening and Clinical-Enhanced Multimodal Fusion for MPNs Subtype Classification [8.95697172316912]
  スライド画像全体(WSI)と臨床情報のマルチモーダル融合に基づくMPNのサブタイプ分類のための動的スクリーニング・臨床拡張ネットワーク(DSCENet)を提案する。 AUCは7.91%,精度は16.89%向上した。
  論文  参考訳（メタデータ） (2024-07-11T04:13:58Z)
• Radiology Report Generation Using Transformers Conditioned with Non-imaging Data [55.17268696112258]
  本稿では,胸部X線画像と関連する患者の人口統計情報を統合したマルチモーダルトランスフォーマーネットワークを提案する。 提案ネットワークは、畳み込みニューラルネットワークを用いて、CXRから視覚的特徴を抽出し、その視覚的特徴と患者の人口統計情報のセマンティックテキスト埋め込みを組み合わせたトランスフォーマーベースのエンコーダデコーダネットワークである。
  論文  参考訳（メタデータ） (2023-11-18T14:52:26Z)
• A Transformer-based representation-learning model with unified processing of multimodal input for clinical diagnostics [63.106382317917344]
  本稿では,マルチモーダル入力を統一的に処理する臨床診断支援として,トランスフォーマーを用いた表現学習モデルについて報告する。 統一モデルは, 肺疾患の同定において, 画像のみのモデル, 非統一型マルチモーダル診断モデルより優れていた。
  論文  参考訳（メタデータ） (2023-06-01T16:23:47Z)

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。