論文の概要: Development and Evaluation of Ultrasound Image Learning Pipelines for MASLD Risk Stratification

• arxiv url: http://arxiv.org/abs/2609.04390v1
• Date: Thu, 03 Sep 2026 18:56:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-07 18:15:23.798216
• Title: Development and Evaluation of Ultrasound Image Learning Pipelines for MASLD Risk Stratification
• Title（参考訳）: MASLDリスク階層化のための超音波画像学習パイプラインの開発と評価
• Abstract要約: BモードおよびSWE画像を用いた画像学習パイプラインの開発と評価を行った。 SWEに基づく学習は、ファイバシスステージングにおけるBモード画像学習よりも一貫して優れていた。 以上の結果から,MASLDリスク階層化におけるSWE画像学習の可能性が示唆された。
• 参考スコア（独自算出の注目度）: 9.111332356599952
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Metabolic dysfunction-associated steatotic liver disease (MASLD) affects approximately 30% of the general population. Ultrasound-based imaging, including B-mode imaging and shear wave elastography (SWE), is widely used for noninvasive fibrosis assessment; however, the role of deep learning-based ultrasound image learning for MASLD risk stratification remains insufficiently characterized. In this study, we developed and evaluated ultrasound image learning pipelines using B-mode and SWE images for fibrosis staging and identification of patients with at-risk metabolic dysfunction-associated steatohepatitis (MASH). A total of 250 ultrasound examinations, one exam per subject, were included. Model performance was evaluated using 3-fold cross-validation with area under the receiver operating characteristic curve (AUROC). End-to-end SWE image learning achieved performance comparable to operator-guided SWE across fibrosis stages. Overall, SWE-based learning consistently outperformed B-mode image learning in fibrosis staging, with AUROC improvements from 0.64 (95%CI: [0.56, 0.72]) to 0.72 (95% CI: [0.65, 0.79]) for F>=2 (significant fibrosis, p=0.11), from 0.67 (95%CI: [0.58, 0.75]) to 0.78 (95% CI:[0.72, 0.85]) for F>=3 (advanced fibrosis, p=0.02), and from 0.69 (95%CI: [0.56, 0.82]) to 0.80 (95%CI: [0.72, 0.89]) for F4 (cirrhosis, p=0.10). These findings highlight the potential of SWE image learning for MASLD risk stratification.
• Abstract（参考訳）: 代謝障害関連脂肪肝疾患(MASLD)は一般人口の約30%に影響を及ぼす。 非侵襲的線維化評価にはBモード画像やせん断波エラストグラフィ(SWE)などの超音波画像が広く用いられているが,MASLDの危険層形成における深層学習の役割はいまだ不十分である。 そこで本研究では,BモードおよびSWE画像を用いた超音波画像学習パイプラインの開発と評価を行った。 超音波検査は総計250件、被験者1名であった。 受信器動作特性曲線 (AUROC) 下での3次元クロスバリデーションによるモデル性能の評価を行った。 終端SWE画像学習は、線維化段階にわたる演算子誘導SWEに匹敵する性能を達成した。 全体として、SWEベースの学習は、F>=2のAUROCの0.64(95%CI: [0.56, 0.72])から0.72(95%CI: [0.65, 0.79])、F>=3の0.67(95%CI: [0.58, 0.75])から0.78(95%CI: [0.72, 0.85])、F4の0.69(95%CI: [0.56, 0.82])から0.80(95%CI: [0.72, 0.89])までのBモード画像学習を一貫して上回った。 以上の結果から,MASLDリスク階層化におけるSWE画像学習の可能性が示唆された。

関連論文リスト

• Robust Multicentre Detection and Classification of Colorectal Liver Metastases on CT: Application of Foundation Models [11.274035647041762]
  我々は,CT上のCRLMの患者レベル分類と病変レベル検出のための基礎モデルに基づくAIパイプラインを開発した。 UMedPTは最高の成績を示し,分類用頭部と病変検出用FCOSベースの頭部を微調整した。
  論文  参考訳（メタデータ） (2026-01-12T14:35:29Z)
• Multimodal Deep Learning for Phyllodes Tumor Classification from Ultrasound and Clinical Data [0.29981448312652675]
  Phyllodes tumors (PTs) は良性線維腺腫との放射線学的類似性から術前の分類が困難である。 乳房超音波(BUS)画像を構造化された臨床データと統合して診断精度を向上させるマルチモーダルディープラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-08-29T19:54:11Z)
• PLUS: Plug-and-Play Enhanced Liver Lesion Diagnosis Model on Non-Contrast CT Scans [21.598723671897766]
  PLUSは、任意の3DセグメンテーションモデルのためのNCCT画像のFLL解析を強化するプラグイン・アンド・プレイフレームワークである。 結果:PLUSは病変レベルF1スコアを5.66%,悪性度F1スコアを6.26%,良性度F1スコアを4.03%改善した。
  論文  参考訳（メタデータ） (2025-07-05T03:03:13Z)
• HistoART: Histopathology Artifact Detection and Reporting Tool [37.31105955164019]
  ワイルスライドイメージング(WSI)は、組織標本の詳細な高分解能検査のために広く用いられている。 WSIは、スライドの準備とスキャンの間に導入されたアーティファクトに弱いままです。 本稿では,WSIに対する3つのロバストなアーティファクト検出手法を提案し,比較する。
  論文  参考訳（メタデータ） (2025-06-23T17:22:19Z)
• Deep Learning for Classification of Inflammatory Bowel Disease Activity in Whole Slide Images of Colonic Histopathology [3.311734750818073]
  ヘマトキシリンおよびエオシン含有スライド画像中の活性度を分類する深層学習モデルを開発した。 2018年と2019年にダートマス・ヒッチコック医療センターで治療を受けた636例のうち,2,077例のWSIを使用した。
  論文  参考訳（メタデータ） (2024-10-25T17:00:31Z)
• Integrating Deep Learning with Fundus and Optical Coherence Tomography for Cardiovascular Disease Prediction [47.7045293755736]
  心血管疾患(CVD)のリスクのある患者の早期発見は、効果的な予防ケア、医療負担の軽減、患者の生活の質の向上に不可欠である。 本研究は、網膜光コヒーレンス断層撮影(OCT)と眼底写真との併用による、将来の心疾患の特定の可能性を示すものである。 そこで我々は,MCVAE(Multi- Channel Variational Autoencoder)に基づく新たなバイナリ分類ネットワークを提案し,患者の眼底画像とOCT画像の潜伏埋め込みを学習し,個人を将来CVDを発症する可能性のあるものとそうでないものとの2つのグループに分類する。
  論文  参考訳（メタデータ） (2024-10-18T12:37:51Z)
• Predicting risk of cardiovascular disease using retinal OCT imaging [40.71667870702634]
  心臓血管疾患(CVD)が世界的に死因となっている。 光コヒーレンストモグラフィー(OCT)は早期のCVDリスク予測の潜在的なツールとして認識されている。 我々は,将来のCVD事象を予測するための追加撮像技術としてのOCTの可能性について検討した。
  論文  参考訳（メタデータ） (2024-03-26T14:42:46Z)
• Deep-Learning Tool for Early Identifying Non-Traumatic Intracranial Hemorrhage Etiology based on CT Scan [40.51754649947294]
  深層学習モデルは、2011年1月から2018年4月までに収集された非外傷性ICHを用いた1868個のNCCTスキャンを用いて開発された。 診断成績は臨床医の成績と比較した。 臨床医は, システム拡張による特定の出血エチオロジーの感度, 特異性, 精度を著しく改善した。
  論文  参考訳（メタデータ） (2023-02-02T08:45:17Z)
• Non-invasive Liver Fibrosis Screening on CT Images using Radiomics [0.0]
  本研究の目的は,肝のCTで肝線維症を検出するための放射能機械学習モデルの開発と評価である。 肝線維症スクリーニングモデルの開発には,AUCの最高値と組み合わせ,選択された特徴を併用した。
  論文  参考訳（メタデータ） (2022-11-25T22:33:22Z)
• Self-supervised contrastive learning of echocardiogram videos enables label-efficient cardiac disease diagnosis [48.64462717254158]
  心エコービデオを用いた自己教師型コントラスト学習手法であるエコーCLRを開発した。 左室肥大症 (LVH) と大動脈狭窄症 (AS) の分類成績は,EchoCLR の訓練により有意に改善した。 EchoCLRは、医療ビデオの表現を学習する能力に特有であり、SSLがラベル付きデータセットからラベル効率の高い疾患分類を可能にすることを実証している。
  論文  参考訳（メタデータ） (2022-07-23T19:17:26Z)
• 3D Structural Analysis of the Optic Nerve Head to Robustly Discriminate Between Papilledema and Optic Disc Drusen [44.754910718620295]
  我々は3次元光コヒーレンストモグラフィー(OCT)スキャンで視神経頭部(ONH)の組織構造を同定する深層学習アルゴリズムを開発した。 1: ODD, 2: papilledema, 3: healthy) の分類を150 OCTボリュームで行うように設計した。 われわれのAIアプローチは,1本のCTスキャンを用いて,パピレデマからODDを正確に識別する。
  論文  参考訳（メタデータ） (2021-12-18T17:05:53Z)
• Controlling False Positive/Negative Rates for Deep-Learning-Based Prostate Cancer Detection on Multiparametric MR images [58.85481248101611]
  そこで本研究では,病変からスライスまでのマッピング機能に基づく,病変レベルのコスト感受性損失と付加的なスライスレベルの損失を組み込んだ新しいPCa検出ネットワークを提案する。 1) 病変レベルFNRを0.19から0.10に, 病変レベルFPRを1.03から0.66に減らした。
  論文  参考訳（メタデータ） (2021-06-04T09:51:27Z)

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。