論文の概要: A Specialized Large Multimodal Model for Interpreting PET/CT in Head and Neck Cancer
- arxiv url: http://arxiv.org/abs/2609.05532v1
- Date: Wed, 02 Sep 2026 02:04:33 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-10 19:44:08.088395
- Title: A Specialized Large Multimodal Model for Interpreting PET/CT in Head and Neck Cancer
- Title（参考訳）: 頭頸部癌におけるPET/CTの解釈のための大規模マルチモーダルモデル
- Abstract要約: 一般大規模マルチモーダルモデル(LMM)は、ドメイン固有の知識、プライバシとセキュリティに関する懸念、冗長性によって医学的文脈において制限され続けている。
頭頸部癌におけるPET/CT自動解釈のための特殊なLMMの有用性について検討した。
- 参考スコア（独自算出の注目度）: 6.469240961927866
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Background: Diagnosing head and neck cancer using PET/CT is clinically challenging and time-consuming due to the anatomical complexity of the region, motivating computer-aided diagnosis (CAD). Generalist Large Multimodal Models (LMMs) remain limited in medical contexts by insufficient domain-specific knowledge, privacy and security concerns, and verbosity, motivating specialized standalone LMMs. Purpose: We evaluated the feasibility of a specialized LMM for automated PET/CT interpretation in head and neck cancer using a large-scale multi-institutional PET/CT dataset, a tailored training curriculum, and autoregressive training. Methods: LLaVA-NeXT was fine-tuned using a two-level curriculum with image-conversation pairs curated by two radiologists from public data. The dataset included clinically important annotations such as primary tumor presence and metastatic lymph node location. Level 1 used 28,000 image-conversation pairs to learn basic information, including modality type and hypermetabolism. Level 2 used 12,975 pairs to learn primary tumor presence and the existence and anatomical location of cervical lymph node metastases. External validation included four institutions with diverse imaging devices. Results: The specialized LMM substantially outperformed ChatGPT and LLaVA-NeXT. In Level-2 external validation, ROUGE-L, ROUGE-S, Cosine Similarity, Precision, Recall, and F1 were 0.8751, 0.8794, 0.8324, 0.8794, 0.8711, and 0.8751, while generalist models consistently scored below 0.1. Primary tumor classification accuracy was 83.14 +/- 1.15% internally and 69.03 +/- 0.81% externally. For lymph node localization, the corresponding scores were 0.6389, 0.6257, 0.5287, 0.5782, 0.6371, and 0.6648. Conclusion: Specialized LMMs show promising results for fast, accurate PET/CT-based diagnostic support and medical education, highlighting their potential for clinical translation.
- Abstract（参考訳）: 背景: PET/CTによる頭頸部癌の診断は, 領域の解剖学的複雑さにより, 臨床的に困難であり, 時間を要する。
汎用大規模マルチモーダルモデル(LMM)は、ドメイン固有の知識、プライバシとセキュリティ上の懸念、冗長性によって医学的文脈において制限され、特殊な独立したLMMを動機付けている。
目的: 大規模多施設PET/CTデータセット, 調整訓練カリキュラム, 自己回帰訓練を用いて, 頭頸部癌におけるPET/CT自動解釈のための特殊なLMMの有用性を検討した。
方法: LLaVA-NeXTは2段階のカリキュラムを使用して微調整され、画像と会話のペアを公開データから2人の放射線学者がキュレートした。
このデータセットには原発性腫瘍の存在や転移リンパ節の位置などの臨床的に重要なアノテーションが含まれていた。
レベル1では、モダリティタイプやハイパーメタボリズムを含む基本的な情報を学ぶために、28,000の画像会話ペアを使用していた。
レベル2では12,975対の腫瘍の存在と頸部リンパ節転移の存在と解剖学的位置を調べた。
外的検証には、多様な撮像装置を備えた4つの機関が含まれていた。
結果: 特殊LMMはChatGPTとLLaVA-NeXTを大きく上回った。
Level-2外部検証ではROUGE-L, ROUGE-S, Cosine similarity, Precision, Recall, F1が0.8751, 0.8794, 0.8324, 0.8794, 0.8711, 0.8751であった。
原発性腫瘍の分類精度は83.14 +/- 1.15%, 69.03 +/- 0.81%であった。
リンパ節局在は0.6389,0.6257,0.5287,0.5782,0.6371,0.6648であった。
結論: PET/CTをベースとした診断支援と医学教育において, 臨床翻訳の可能性を強調した。
関連論文リスト
- A Vision-Language Foundation Model for Precise and Comprehensive Brain Tumor Diagnosis from Preoperative Multimodal Data [50.52606847963128]
我々は2021年の世界保健機関(WHO)の脳腫瘍タイプを分類するためにBrainVLMを開発した。
BrainVLMは40,043人のマルチモーダルデータ(MRIスキャン、人口統計学、放射線学)で訓練された。
病理組織学的に確認された脳腫瘍5,211例について検討した。
論文 参考訳（メタデータ） (2026-09-15T03:46:03Z) - Squeezed-Eff-Net: Edge-Computed Boost of Tomography Based Brain Tumor Classification leveraging Hybrid Neural Network Architecture [0.7829352305480285]
本研究では,軽量モデルであるSqueezeNet v1と高性能モデルであるEfficientNet-B0に基づくハイブリッドディープラーニングモデルを提案する。
このフレームワークは、Nickparvar Brain tumor MRIデータセットでのみトレーニングされ、テストされた。
論文 参考訳（メタデータ） (2025-12-08T07:37:30Z) - An Anatomy Aware Hybrid Deep Learning Framework for Lung Cancer Tumor Stage Classification [9.447852227817533]
腫瘍の大きさと距離特性を明示的に測定し,ステージングを行う医用接地型ハイブリッドパイプラインを提案する。
本手法では, 特殊なエンコーダ・デコーダネットワークを用いて肺と隣接する解剖を正確に分類する。
この新しいフレームワークはLung-PET-CT-Dxデータセットで評価されており、従来のディープラーニングモデルと比較して優れた性能を示している。
論文 参考訳（メタデータ） (2025-11-24T18:01:47Z) - Handcrafted vs. Deep Radiomics vs. Fusion vs. Deep Learning: A Comprehensive Review of Machine Learning -Based Cancer Outcome Prediction in PET and SPECT Imaging [2.3507313809321233]
この体系的なレビューは、2020年から2025年にかけて発行された226の研究を分析し、結果予測のためにPETまたはSPECTイメージングに機械学習を適用した。
PETベースの研究は、一般的にSPECTを用いた場合よりも優れており、おそらくは空間分解能と感度が高いためである。
一般的な制限としては、階級不均衡の不十分な扱い、データ不足、人口の多様性の低さがあった。
論文 参考訳（メタデータ） (2025-07-21T21:03:12Z) - Predicting Length of Stay in Neurological ICU Patients Using Classical Machine Learning and Neural Network Models: A Benchmark Study on MIMIC-IV [49.1574468325115]
本研究は、MIMIC-IVデータセットに基づく神経疾患患者を対象とした、ICUにおけるLOS予測のための複数のMLアプローチについて検討する。
評価されたモデルには、古典的MLアルゴリズム(K-Nearest Neighbors、Random Forest、XGBoost、CatBoost)とニューラルネットワーク(LSTM、BERT、テンポラルフュージョントランス)が含まれる。
論文 参考訳（メタデータ） (2025-05-23T14:06:42Z) - MAST-Pro: Dynamic Mixture-of-Experts for Adaptive Segmentation of Pan-Tumors with Knowledge-Driven Prompts [54.915060471994686]
MAST-Proは,ダイナミックなMixture-of-Experts(D-MoE)とパン腫瘍セグメンテーションのための知識駆動プロンプトを統合した新しいフレームワークである。
具体的には、テキストと解剖学的プロンプトは、腫瘍表現学習を導くドメイン固有の事前情報を提供し、D-MoEは、ジェネリックと腫瘍固有の特徴学習のバランスをとる専門家を動的に選択する。
マルチ解剖学的腫瘍データセットの実験では、MAST-Proは最先端のアプローチよりも優れており、トレーニング可能なパラメータを91.04%削減し、平均改善の5.20%を達成している。
論文 参考訳（メタデータ） (2025-03-18T15:39:44Z) - Analysis of the BraTS 2023 Intracranial Meningioma Segmentation Challenge [44.76736949127792]
我々はBraTS 2023の頭蓋内髄膜腫チャレンジの設計と結果について述べる。
BraTS髄膜腫チャレンジ(BraTS Meningioma Challenge)は、髄膜腫に焦点を当てた以前のBraTSグリオーマチャレンジとは異なる。
上層部は腫瘍,腫瘍コア,腫瘍全体の拡張のために0.976,0.976,0.964の病変中央値類似係数(DSC)を有していた。
論文 参考訳（メタデータ） (2024-05-16T03:23:57Z) - 3D Lymphoma Segmentation on PET/CT Images via Multi-Scale Information Fusion with Cross-Attention [6.499725732124126]
本研究は,びまん性大細胞型B細胞リンパ腫(DLBCL)の正確な分節法を開発することを目的とする。
シフトウインドウ変換器とマルチスケール情報融合(MSIF)モジュールを用いた3次元デュアルブランチエンコーダセグメンテーション法を提案する。
このモデルは5倍のクロスバリデーションを用いて165名のDLBCL患者のデータセットを用いて訓練および検証を行った。
論文 参考訳（メタデータ） (2024-02-04T05:25:12Z) - CancerUniT: Towards a Single Unified Model for Effective Detection,
Segmentation, and Diagnosis of Eight Major Cancers Using a Large Collection
of CT Scans [45.83431075462771]
ヒトの読者や放射線医は、臨床実践において、全身多臓器多臓器の検出と診断を日常的に行う。
ほとんどの医療用AIシステムは、いくつかの疾患のリストの狭い単一の臓器に焦点を当てて構築されている。
CancerUniT は、マルチ腫瘍予測の出力を持つクエリベースの Mask Transformer モデルである。
論文 参考訳（メタデータ） (2023-01-28T20:09:34Z) - ISA-Net: Improved spatial attention network for PET-CT tumor
segmentation [22.48294544919023]
多モードポジトロン放射トモグラフィー(PET-CT)に基づく深層学習セグメンテーション法を提案する。
腫瘍検出におけるPETやCTの精度を高めるために,改良された空間注意ネットワーク(ISA-Net)を設計した。
今回提案したISA-Net法を,軟部組織肉腫 (STS) と頭頸部腫瘍 (HECKTOR) の2つの臨床データセットで検証した。
論文 参考訳（メタデータ） (2022-11-04T04:15:13Z) - EMT-NET: Efficient multitask network for computer-aided diagnosis of
breast cancer [58.720142291102135]
乳腺腫瘍の分類と分別を同時に行うための,効率的で軽量な学習アーキテクチャを提案する。
腫瘍分類ネットワークにセグメンテーションタスクを組み込むことにより,腫瘍領域に着目したバックボーンネットワークで表現を学習する。
腫瘍分類の精度、感度、特異性はそれぞれ88.6%、94.1%、85.3%である。
論文 参考訳（メタデータ） (2022-01-13T05:24:40Z) - Deep Learning-based Computational Pathology Predicts Origins for Cancers
of Unknown Primary [2.645435564532842]
原発不明癌 (CUP) は腫瘍由来の原発性解剖学的部位を特定できない診断群である。
最近の研究は、腫瘍原点の同定にゲノム学と転写学を使うことに重点を置いている。
深層学習に基づくCUPの差分診断が可能な計算病理アルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-06-24T17:59:36Z)
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。