論文の概要: A radiographic world model for clinical reasoning and evidence generation
- arxiv url: http://arxiv.org/abs/2609.07719v1
- Date: Mon, 07 Sep 2026 16:33:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-10 19:44:08.470408
- Title: A radiographic world model for clinical reasoning and evidence generation
- Title（参考訳）: 臨床推論とエビデンス生成のためのX線学的世界モデル
- Abstract要約: MedDreamは、ペアの胸部X線写真-テキスト観察から共有連続潜時状態を学習する世界モデルである。
MedDreamは, 診断的推論において, 疾患認識, ラベル・スカース適応, 重症度評価, 局在性に強い一般化を示した。
証拠生成のために、MedDreamは、臨床的に関連のある病理を保存し、保持された実データで下流のパフォーマンスを改善したラジオグラフを作成した。
- 参考スコア（独自算出の注目度）: 3.690684138610767
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Medical imaging artificial intelligence (AI) is commonly developed as separate mappings from radiographs to diagnostic outputs or from clinical descriptions to generated images, although both arise from the same underlying radiographic state. A world-model formulation instead seeks to learn an internal representation of this state that can support both clinical readout and conditional simulation of radiographic observations. Here we introduce MedDream, a radiographic world model that learns a shared continuous latent state from paired chest radiograph-text observations for diagnostic reasoning and report-conditioned evidence generation. MedDream was pretrained on 2.65 million leakage-controlled chest radiograph-text pairs curated from 4.40 million candidates. Across eight clinical datasets and two independent reader cohorts, MedDream outperformed leading diagnostic and generative comparators. For diagnostic reasoning, MedDream showed strong generalization across disease recognition, label-scarce adaptation, severity assessment, and localization, while MedDream-supported review increased mean resident concordance with independent radiologist consensus from 56.3% to 63.0%. For evidence generation, MedDream produced radiographs that preserved clinically relevant pathology and improved downstream performance on held-out real data, with synthetic augmentation increasing external VinDr-CXR macro-AUROC from 76.4% to 81.4%. More importantly, conditioning generation on prespecified subgroup performance gaps enabled targeted evidence construction, increasing weighted F1 by 3.1 percentage points in Asian patients, whereas matched-volume unguided augmentation decreased it by 2.3 points. These findings establish radiographic world models as a path toward medical AI that learns clinically meaningful internal states for interpreting, simulating, and constructing evidence for clinical use.
- Abstract（参考訳）: 医用画像人工知能(AI)は、放射線画像から診断出力、臨床記述から生成された画像への別のマッピングとして一般的に開発されている。
世界モデルの定式化は、この状態の内部表現を学習し、臨床読解とX線観測の条件シミュレーションの両方をサポートすることを目的としている。
ここでは,診断推論と報告条件付エビデンス生成のための胸部X線写真テキスト観察から連続潜伏状態の共有を学習する,X線学的世界モデルであるMedDreamを紹介する。
メドダムは4億4000万人の候補者から収集された265万個の胸部X線写真とテキストのペアで事前訓練を受けた。
8つの臨床データセットと2つの独立したリーダーコホートのうち、MedDreamは主要な診断および生成コンパレータより優れていた。
MedDreamは、診断的推論において、疾患の認識、ラベル・スカース適応、重度評価、局所化に強い一般化を示し、MedDreamが支援するレビューは、独立した放射線学者のコンセンサスとの平均的一致を56.3%から63.0%に引き上げた。
証拠生成のために、MedDreamは臨床的に関連のある病理を保存し、保持された実データで下流のパフォーマンスを改善し、合成増強により外部VinDr-CXRマクロAUROCは76.4%から81.4%に増加した。
さらにアジアの患者ではF1の重み付けが3.1ポイント増加し、マッチ量無ガイド増量では2.3ポイント減少していた。
これらの知見は、臨床応用の証拠を解釈、シミュレーション、構築するために臨床的に意味のある内部状態を学ぶ医療AIへの道として、X線学的世界モデルを確立している。
関連論文リスト
- Enhancing Brain MRI Anomaly Detection and Reasoning with ROI Rethink and Synthetic Data [9.98520042320808]
脳MRI診断に明示的な領域マーキングを導入したBrReMarkを提案する。
モデルはまず、潜在的な異常についての仮説を生成し、明示的な境界ボックスマーキングを通じてそれらをグラウンド化する。
我々は,ドメインランダム化に基づく病理合成の強化戦略を統合し,OEDデータに対するモデルの一般化性を向上させる。
論文 参考訳（メタデータ） (2026-06-24T14:41:27Z) - A Vision-language Framework for Comparative Reasoning in Radiology [68.52471827773482]
我々は,放射線学的比較を実体認識のクロスイメージ推論問題として定式化する。
我々は,日常的な画像とレポートのペアから得られた大規模比較画像資源を構築した。
臨床類似症例の検索を制御可能なエンティティ対応ビジュアルエンコーダであるMedReCoを開発した。
論文 参考訳（メタデータ） (2026-06-04T17:12:47Z) - FairGen: Preference-Aligned Diffusion for Demographically Equitable Medical Image Synthesis [44.21684876717324]
人口統計学的にバランスの取れた医療画像を合成するフェアネス対応拡散フレームワークであるFairGenを紹介する。
医師の好みを生成プロセスに組み込むことで、FairGenは合成時のカバレッジと下流の分類を改善する。
論文 参考訳（メタデータ） (2026-06-01T15:45:20Z) - RadAlign: Advancing Radiology Report Generation with Vision-Language Concept Alignment [10.67889367763112]
RadAlignは、視覚言語モデルの予測精度と大きな言語モデルの推論能力を組み合わせた、新しいフレームワークである。
本フレームワークは, 幻覚の低減, 自動医用画像の進歩, 予測AIと生成AIの統合による報告分析を両立させながら, 強力な臨床解釈可能性を維持している。
論文 参考訳（メタデータ） (2025-01-13T17:55:32Z) - MGH Radiology Llama: A Llama 3 70B Model for Radiology [50.42811030970618]
本稿では,高度な放射線学に焦点を当てた大規模言語モデルMGH Radiology Llamaを提案する。
Llama 3 70Bモデルを使用して開発され、Radiology-GPTやRadiology-Llama2といった従来のドメイン固有モデルをベースにしている。
従来の指標とGPT-4に基づく評価の両方を取り入れた評価では,汎用LLMよりも高い性能を示す。
論文 参考訳（メタデータ） (2024-08-13T01:30:03Z) - Incorporating Anatomical Awareness for Enhanced Generalizability and Progression Prediction in Deep Learning-Based Radiographic Sacroiliitis Detection [0.8248058061511542]
本研究の目的は, 深層学習モデルに解剖学的認識を取り入れることで, 一般化性を高め, 疾患進行の予測を可能にするかを検討することである。
モデルの性能は, 受信機動作特性曲線(AUC)下の領域, 精度, 感度, 特異性を用いて比較した。
論文 参考訳（メタデータ） (2024-05-12T20:02:25Z) - CXR-LLAVA: a multimodal large language model for interpreting chest
X-ray images [3.0757789554622597]
本研究の目的は,胸部X線画像(CXR)を解釈するためのオープンソースのマルチモーダル大言語モデル(CXR-LLAVA)を開発することである。
トレーニングでは,592,580個のCXRを収集し,そのうち374,881個のX線写真異常のラベルが得られた。
主な病理所見に対する診断成績と,ヒト放射線技師による放射線学的報告の受容性について検討した。
論文 参考訳（メタデータ） (2023-10-22T06:22:37Z) - ChatRadio-Valuer: A Chat Large Language Model for Generalizable
Radiology Report Generation Based on Multi-institution and Multi-system Data [115.0747462486285]
ChatRadio-Valuerは、一般化可能な表現を学習する自動放射線学レポート生成のための調整されたモデルである。
本研究で利用した臨床データセットは,textbf332,673の顕著な総計を含む。
ChatRadio-Valuerは、最先端のモデル、特にChatGPT(GPT-3.5-Turbo)やGPT-4などより一貫して優れている。
論文 参考訳（メタデータ） (2023-10-08T17:23:17Z) - Generative models improve fairness of medical classifiers under
distribution shifts [49.10233060774818]
データから現実的な拡張を自動的に学習することは、生成モデルを用いてラベル効率の良い方法で可能であることを示す。
これらの学習の強化は、モデルをより堅牢で統計的に公平に配布できることを示した。
論文 参考訳（メタデータ） (2023-04-18T18:15:38Z) - Medical Image Captioning via Generative Pretrained Transformers [57.308920993032274]
我々は、Show-Attend-Tell と GPT-3 という2つの言語モデルを組み合わせて、包括的で記述的な放射線学記録を生成する。
提案モデルは、Open-I、MIMIC-CXR、汎用MS-COCOの2つの医療データセットで検証される。
論文 参考訳（メタデータ） (2022-09-28T10:27:10Z) - Advancing COVID-19 Diagnosis with Privacy-Preserving Collaboration in
Artificial Intelligence [79.038671794961]
我々はUCADI(Unified CT-COVID AI Diagnostic Initiative)を立ち上げ、各ホスト機関でAIモデルを分散的にトレーニングし、独立して実行することができる。
本研究は,中国とイギリスに所在する23の病院で採取した3,336例の胸部CT9,573例について検討した。
論文 参考訳（メタデータ） (2021-11-18T00:43:41Z)
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。