論文の概要: Responsible Integration of AI in Cancer Genomics: Barriers, Risks, and Pathways to Trustworthy Clinical Translation
- arxiv url: http://arxiv.org/abs/2608.30912v1
- Date: Mon, 31 Aug 2026 14:56:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-01 18:31:31.459303
- Title: Responsible Integration of AI in Cancer Genomics: Barriers, Risks, and Pathways to Trustworthy Clinical Translation
- Title（参考訳）: がんゲノム学におけるAIの責任ある統合:信頼できる臨床翻訳への障壁、リスク、経路
- Abstract要約: 人工知能(AI)と自然言語処理(NLP)は、がんゲノム学に関連するバイオメディカル知識の抽出、統合、解釈にますます利用されている。
本総説では,NLPとAIが,文献マイニングや自動変異解釈から臨床治験まで,がんゲノムパイプラインをどのようにサポートするかを検討する。
私たちは、エビデンス不整合、説明可能性と不確実性、データガバナンスと相互運用性の4つの相互関連翻訳障害ドメインを特定します。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Artificial intelligence (AI) and natural language processing (NLP) are increasingly used to extract, integrate, and interpret biomedical knowledge relevant to cancer genomics, yet their translation into routine clinical oncology has been comparatively slow. The central challenge is not computational capability alone, but trustworthy integration into clinical workflows. This review examines how NLP and AI support the cancer genomics pipeline, from literature mining and automated variant interpretation to clinical trial matching, knowledge graph construction, and multimodal data integration. We identify four interrelated translational failure domains: evidence inconsistency, explainability and uncertainty, data governance and reproducibility, and interoperability. Rather than considering these challenges in isolation, we take a systems-level view, focusing on their interaction across the translational pathway. We propose a conceptual framework and roadmap for addressing these domains through rigorous validation, uncertainty-aware methods, interoperable infrastructures, regulatory alignment, and human oversight across the AI lifecycle. Progress toward routine clinical use will depend less on further improving model capability than on systematically addressing these interacting failure domains from development through deployment and post-deployment monitoring.
- Abstract（参考訳）: 人工知能(AI)と自然言語処理(NLP)は、がんゲノム学に関連する生物医学的知識の抽出、統合、解釈にますます使われているが、通常の臨床腫瘍学への翻訳は比較的遅い。
中心的な課題は、計算能力だけでなく、臨床ワークフローへの信頼できる統合です。
本稿では,NLPとAIが,文献マイニングや自動変法解釈から臨床トライアルマッチング,知識グラフ構築,マルチモーダルデータ統合に至るまで,がんゲノムパイプラインをどのようにサポートするかを検討する。
私たちは、エビデンス不整合、説明可能性と不確実性、データガバナンスと再現性、相互運用性の4つの関連した翻訳障害ドメインを特定します。
これらの課題を単独で考えるのではなく、システムレベルの視点で、翻訳経路間の相互作用に注目します。
我々は、厳密な検証、不確実性を認識した方法、相互運用可能なインフラストラクチャ、規制の整合性、AIライフサイクル全体にわたる人間の監視を通じて、これらのドメインに対処するための概念的なフレームワークとロードマップを提案する。
日常的な臨床利用に向けた進歩は、これらの相互作用する障害ドメインを、デプロイメントやデプロイ後の監視を通じて開発から体系的に対処するよりも、モデル能力の向上にかかっている。
関連論文リスト
- Dementia Etiology Diagnosis via Collaborative Meta Knowledge Enhancement [81.27196033392559]
認知症発症診断のための協調的メタ知識向上(COME)フレームワークを提案する。
COMEは、マルチセンタ取得セマンティクス、ソース識別子、モダリティインジケータを異種性を認識した埋め込みとして、スケールアップトレーニングのためにTransformerアーキテクチャに注入する。
本手法は,平均マクロ平均AUCが85.62%,最強ベースラインが4.29ポイント向上し,最先端のドメイン性能を実現する。
論文 参考訳（メタデータ） (2026-07-24T04:26:47Z) - Towards a Virtual Neuroscientist: Autonomous Neuroimaging Analysis via Multi-Agent Collaboration [53.772014300855375]
我々は,自律型エンドツーエンド神経画像解析のためのマルチエージェントシステムであるNIAgentを紹介する。
従来のフラットなツール呼び出しエージェントとは異なり、NIAgentはコード中心の実行パラダイムを採用している。
本稿では,コホートレベルの検定とエージェント視覚検査を組み合わせた,自律的品質管理のための階層的検証フレームワークを提案する。
論文 参考訳（メタデータ） (2026-05-10T06:30:19Z) - People-Centred Medical Image Analysis [28.028018247982686]
People-Centred Medical Image Analysis (PecMan)は、公正さ、診断精度、ワークフローの有効性を共同で最適化する人間とAIのフレームワークである。
精度,公平性,臨床ワークロードのトレードオフを評価するために,FairHAI(Fairness and Human-Centred AI)ベンチマークを導入する。
このベンチマークを用いた実験は、PecManが既存の手法を一貫して上回り、信頼性が高く、臨床的に実行可能なAIシステムへの道を開いたことを示している。
論文 参考訳（メタデータ） (2026-04-28T22:13:36Z) - From Prediction to Intervention: The Evolution of AI in Biomedicine [67.45502291821956]
バイオメディシンにおけるAIは、構造的移行の段階にあると我々は主張する。
我々は、生物学的プロセスの状態、ダイナミクス、介入応答を明確に表すシステムとして、疾患レベルモデルを定義します。
バイオメディカルな意思決定の構造から直接従い、医学におけるAIの次の段階を定義する。
論文 参考訳（メタデータ） (2026-04-14T17:49:51Z) - Epistemology gives a Future to Complementarity in Human-AI Interactions [42.371764229953165]
相補性とは、AIシステムによって支えられた人間は、意思決定プロセスにおいて単独でより優れる、という主張である。
我々は,人間とAIの相互作用が信頼できる過程であることを示す証拠として,相補性の歴史的事例が機能すると主張している。
論文 参考訳（メタデータ） (2026-01-14T21:04:28Z) - Implementation of AI in Precision Medicine [0.0]
本稿では,精密医療におけるAIの実装に関する文献のスコーピングレビューを行う。
データ品質、臨床の信頼性、ワークフローの統合、ガバナンスにまたがる重要な障壁とイネーブラーを特定します。
信頼性と持続可能な実装を支援するための今後の方向性を提案する。
論文 参考訳（メタデータ） (2025-10-16T00:55:15Z) - From Explainability to Action: A Generative Operational Framework for Integrating XAI in Clinical Mental Health Screening [0.3181700357675698]
本稿では,このギャップは翻訳問題であり,生成操作フレームワークを提案する。
このフレームワークは、様々なXAIツールから得られた生の技術的出力を取り込み、臨床ガイドラインでそれらを合成するように設計されている。
論文 参考訳（メタデータ） (2025-10-10T05:46:39Z) - Beyond Black-Box AI: Interpretable Hybrid Systems for Dementia Care [2.4339626079536925]
近年の大規模言語モデル(LLM)のブームは、人工知能(AI)システムが医療診断に役立つという期待を再燃させた。
ベンチマークスコアはめちゃくちゃですが、LCMアシスタントはまだベッドサイドで測定可能な改善を提供していません。
このスクーピングレビューは、臨床現場で実践的な貢献をするためにAIが制限されている領域を強調することを目的としている。
論文 参考訳（メタデータ） (2025-07-02T01:43:06Z) - Towards Next-Generation Medical Agent: How o1 is Reshaping Decision-Making in Medical Scenarios [46.729092855387165]
本稿では,医療用AIエージェントのバックボーンLSMの選択について検討する。
我々の研究結果は、o1の診断精度と一貫性を高める能力を示し、よりスマートでより応答性の高いAIツールへの道を開いた。
論文 参考訳（メタデータ） (2024-11-16T18:19:53Z) - Enhancing Breast Cancer Diagnosis in Mammography: Evaluation and Integration of Convolutional Neural Networks and Explainable AI [0.0]
本研究では,畳み込みニューラルネットワーク(CNN)と説明可能な人工知能(XAI)を組み合わせて乳がんの診断を高度化するための統合フレームワークを提案する。
この方法論は、データセットの制限に対処するために、精巧なデータ前処理パイプラインと高度なデータ拡張技術を含んでいる。
本研究の焦点は,モデル予測の解釈におけるXAIの有効性を評価することである。
論文 参考訳（メタデータ） (2024-04-05T05:00:21Z) - Validating polyp and instrument segmentation methods in colonoscopy through Medico 2020 and MedAI 2021 Challenges [58.32937972322058]
メディコオートマチックポリープセグメンテーション(Medico 2020)と「メディコ:医療画像の透明性(MedAI 2021)」コンペティション。
本報告では, それぞれのコントリビューションを包括的に分析し, ベストパフォーマンスメソッドの強さを強調し, クリニックへの臨床翻訳の可能性について考察する。
論文 参考訳（メタデータ） (2023-07-30T16:08:45Z)
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。