論文の概要: The Diagnosis a Reporter Leaves Unspoken: Surfacing Frozen Tumor Features for Brain-Tumor MRI Reporting

• arxiv url: http://arxiv.org/abs/2609.02411v1
• Date: Wed, 02 Sep 2026 10:29:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-03 17:53:18.233759
• Title: The Diagnosis a Reporter Leaves Unspoken: Surfacing Frozen Tumor Features for Brain-Tumor MRI Reporting
• Title（参考訳）: 脳腫瘍の診断 : 脳腫瘍MRIにおける表面凍結腫瘍の特徴
• Authors: Khawaja Murad ul Hassan, Ruqiyya Adil, Adil Qayyum, Rida Hassan, Asad Mansoor Khan, Muhammad Usman Akram, Mehran Ebrahimi,
• Abstract要約: 有能な脳MRIレポートジェネレータは診断的に静かである。 NeuroFusionはそれをオーバーライドするのではなく、この潜伏シグナルを表面化する。 ボード認証された2人の神経学者は、それぞれの腫瘍タイプでNeuroFusionを個別に評価した。
• 参考スコア（独自算出の注目度）: 0.9283653948385912
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A capable brain-MRI report generator can still be, in effect, diagnostically silent. When a multi-chain chain-of-thought (CoT) reporter built on a medical Mistral-7B backbone is evaluated on held-out cohorts, it names most meningiomas and almost all metastases "glioma" (diagnosis recall 0.44/0.07). Yet the answer is not absent from the model: a supervised linear probe applied to its frozen segmentation features recovers the three tumour cohorts at 0.82 macro-F$_1$ (5-fold cross-validation; chance $\approx$0.33). We introduce NeuroFusion, an assistive reporter that surfaces this latent signal rather than overriding it: discriminative field-classifier heads over per-lesion features condition a fast, single-pass draft-then-review decoder on their committed outputs. Built on the identical Mistral backbone, this restores the diagnosis (meningioma 0.92, metastasis 0.75) and wins 8 of 9 prose-content comparisons across three held-out cohorts (RaTEScore, RadGraph-F$_1$, GREEN; Holm-corrected paired BCa), with no significant loss on the ninth, at 5-6x lower latency ($\approx$80 vs. 457 s/case). A controlled negative result sharpens the mechanism: a learned diagnosis pin that overrides the decoder instead of merely informing it collapses out-of-distribution metastasis recall to 0.03. Grammar-constrained decoding keeps 92.3% of records schema-valid, making every sentence entailment-checkable (7.5% contradicted vs. 36.8% for the direct baseline). In a blinded nine-case pilot, two board-certified neurologists independently rated NeuroFusion highest in every tumour type, the only system with zero critical errors, and gave it the top-rated sign-off in eight of nine cases (six outright, two ties).
• Abstract（参考訳）: 有能な脳MRIレポートジェネレータは、いまだに診断的に静かである。 医療用Mistral-7Bバックボーン上に構築されたマルチチェーンチェーン・オブ・シンクレット(CoT)レポーターがホールドアウトコホートで評価されると、ほとんどの髄膜腫とほぼ全ての転移が「グリオーマ」と命名される(診断は0.44/0.07)。 凍結セグメンテーション機能に適用された教師付き線形プローブは、3つの腫瘍コホートを0.82マクロF$_1$(5倍のクロスバリデーション; チャンス$\approx$0.33)で回収する。 我々は、この遅延信号をオーバーライドする代わりに、補助的なレポーターであるNeuroFusionを紹介した。 フィールド分類器のヘッドは、コミットした出力に対して高速でシングルパスのドラフト-then-review デコーダを条件にしている。 同じMistralのバックボーン上に構築され、診断(meningioma 0.92, metastasis 0.75)を復元し、3つの保持されたコホート(RaTEScore, RadGraph-F$_1$, GREEN; Holm-corrected paired BCa)の9つのプロセコンテント比較のうち8つを勝ち取る。 制御された負の結果がメカニズムを鋭くする: 単にデコーダを知らせるのではなく、デコーダをオーバーライドする学習診断ピンは、分布外の転移を0.03にリコールする。 文法に制約のある復号法では92.3%がスキーマ検証が可能であり、全ての文がチェック可能である(直系では7.5%が矛盾し、36.8%が矛盾している)。 盲目の9ケースのパイロットでは、2人のボード認証された神経学者が、腫瘍の種類ごとにNeuroFusionを最も高く評価した。

関連論文リスト

• MIRROR: Multimodal Intelligent Radiology Reasoning and Observation Reporter [1.3106404792425626]
  MIRRORは失敗と成功を分けるために開発された研究用プロトタイプである。 複数ラベルの分類器、Grad-CAMローカライザ、ラベル、確率、および領域を受信するレポートライターをチェーンするが、イメージは決して受信しない。 MIRRORレポートの発見は確率ベクトルに対して監査可能であり、それらをフレーミングする文は通常の生成テキストである。
  論文  参考訳（メタデータ） (2026-08-17T15:25:38Z)
• NeuroMosaic: Anatomically Grounded Multimodal Large Language Modeling for Molecularly Aware Glioma Reasoning from 3D MRI and Clinical Narratives [0.7742420215649948]
  我々は,3次元マルチモーダル言語モデルであるNeuroMosaicについて述べる。 このアーキテクチャは、マルチレゾリューションボリュームトークンライザ、神経解剖学的グラフルータ、分子コンセプトメモリ、選択的リスク制御を組み合わせたものである。
  論文  参考訳（メタデータ） (2026-08-04T06:26:50Z)
• Monte Carlo Dropout Uncertainty and Entropy-Thresholded Selective Prediction for Architecture-Agnostic Brain Tumor MRI Triage [0.0]
  本研究は4クラス脳腫瘍MRIのための不確実性第一パイプラインを提案する。 モンテカルロ (MC) による T = 20 パス上のドロップアウトからの予測の不確実性を読み出し、その結果のエントロピーを、不確実なケースを放射線学者に延期する明示的な規則に変換する。
  論文  参考訳（メタデータ） (2026-07-15T06:21:17Z)
• CoMNeT: A MedNeXt-CorrDiff Framework for Volumetric Brain Tumor Segmentation [1.2048008992808203]
  最新の3次元畳み込みセグメンテーションモデルと、補正拡散に基づく精細化とアンサンブルを組み合わせることで、容積グリオーマセグメンテーションが向上することを示す。 我々は,MedNeXt-CorrDiffフレームワークであるCoMNeTを提案する。 ET, TC, WT, and average Dice scores of 0.7543 +/- 0.0261, 0.6806 +/- 0.0166, 0.9049 +/- 0.0128, 0.7798 +/- 0.0184。
  論文  参考訳（メタデータ） (2026-06-13T13:51:10Z)
• DRBD-Mamba for Robust and Efficient Brain Tumor Segmentation with Analytical Insights [54.87947751720332]
  脳腫瘍の正確なセグメンテーションは、臨床診断と治療に重要である。 マンバを拠点とするState Space Modelsは、有望なパフォーマンスを示している。 本稿では,計算オーバーヘッドを最小限に抑えながら,マルチスケールの長距離依存関係をキャプチャするマルチ解像度双方向マンバを提案する。
  論文  参考訳（メタデータ） (2025-10-16T07:31:21Z)
• Brain Tumor Classification on MRI in Light of Molecular Markers [56.99710477905796]
  1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。 本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
  論文  参考訳（メタデータ） (2024-09-29T07:04:26Z)
• 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。