論文の概要: A Vision-Language Foundation Model for Precise and Comprehensive Brain Tumor Diagnosis from Preoperative Multimodal Data
- arxiv url: http://arxiv.org/abs/2609.16597v3
- Date: Wed, 23 Sep 2026 07:06:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-25 14:23:10.353376
- Title: A Vision-Language Foundation Model for Precise and Comprehensive Brain Tumor Diagnosis from Preoperative Multimodal Data
- Title（参考訳）: 術前マルチモーダルデータを用いた脳腫瘍の精密・包括的診断のための視覚・言語基礎モデル
- Abstract要約: 我々は、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BrainVLMを施行した。
- 参考スコア（独自算出の注目度）: 50.52606847963128
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: We developed BrainVLM to classify all 12 World Health Organization (WHO) 2021 brain tumor types. BrainVLM integrates an uncertainty quantification strategy to indicate prediction reliability and a module for generating radiology reports to elucidate the clinical rationale. BrainVLM was trained on multi-modal data (MRI scans, demographics, and radiology reports) from 40,043 individuals. It was validated on 5,211 patients with pathologically confirmed brain tumors, including 3,877 held-out patients from the primary hospital and 1,334 patients from 11 independent hospitals. We further conducted two proof-of-concept studies to validate its clinical utility in AI-clinician workflows: 1) a blinded multireader study where 12 neuroradiologists across varying experience levels interpreted 248 retrospective cases with or without AI assistance, and 2) a real-world prospective study in which 1,009 patients were independently and blindly assessed by BrainVLM and radiologists before surgery. Additionally, we demonstrated BrainVLM's utility in preoperative molecular subgroup prediction for adult-type diffuse gliomas, using a multi-center cohort of 632 patients. In primary evaluation, BrainVLM achieved an area under the curve (macro-AUC) of 0.85 (95% CI: 0.84-0.86), and an F1 score of 0.82 (95% CI: 0.81-0.83), surpassing neuroradiologists (F1 = 0.80 (95% CI: 0.79-0.81)). In external validation across 11 centers, BrainVLM achieved an AUC = 0.80 (95% CI: 0.79-0.82) and F1 = 0.75 (95% CI: 0.73-0.78), compared with F1 = 0.71 (95% CI: 0.69-0.73) for neuroradiologists. In prospective real-world evaluation, BrainVLM maintained performance comparable to neuroradiologists.
- Abstract（参考訳）: 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、予測信頼性を示す不確実な定量化戦略と、臨床理論的根拠を解明するための放射線学レポートを生成するモジュールを統合する。
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。
5,211人の病理組織学的に確認された脳腫瘍で, 初診患者3,877人, 独立院患者1,334人を対象に検査を行った。
さらに、AI-クリニックワークフローにおける臨床的有用性を検証するための概念実証実験を2回実施した。
1) 多様な経験レベルにわたる12人の神経放射線学者が、AI支援の有無にかかわらず248件の振り返り事件を解釈し、その原因を解明する盲目マルチリーダー研究。
2)BrainVLMおよび放射線科医が手術前に,1,009人の患者を独立に,盲目的に評価した実世界の展望調査を行った。
成人型びまん性グリオーマの術前分子サブグループ予測におけるBrainVLMの有用性を632例の多施設コホートを用いて実証した。
第一評価では、BrainVLMは0.85(95% CI: 0.84-0.86)、F1スコアは0.82(95% CI: 0.81-0.83)で、神経放射線学者(F1 = 0.80(95% CI: 0.79-0.81))を上回った。
11中心にわたる外部検証において、BrainVLM は AUC = 0.80 (95% CI: 0.79-0.82) と F1 = 0.75 (95% CI: 0.73-0.78) を達成し、F1 = 0.71 (95% CI: 0.69-0.73) と比較した。
将来的な実世界の評価において、BrainVLMは神経放射線学者に匹敵する性能を維持した。
関連論文リスト
- Towards Label-Free Brain Tumor Segmentation: Unsupervised Learning with Multimodal MRI [7.144319861722029]
非教師付き異常検出(UAD)は、MRIにおける脳腫瘍のセグメンテーションのための教師付き学習の代替手段である。
正常脳MRIで腫瘍の検出と局所化を専門に訓練したMViT-AE(Multimodal Vision Transformer Autoencoder)を提案する。
本手法は臨床的に有意な腫瘍局在を達成し, 病変関連Dice類似係数は0.437, 0.316, 検査セット0.350, 異常検出率89.4%であった。
論文 参考訳（メタデータ） (2025-10-17T14:26:30Z) - Towards a general-purpose foundation model for fMRI analysis [58.06455456423138]
我々は,4次元fMRIボリュームから学習し,多様なアプリケーション間で効率的な知識伝達を可能にするフレームワークであるNeuroSTORMを紹介する。
NeuroSTORMは、複数のセンターにまたがる5万人以上の被験者から5歳から100歳までの28.65万fMRIフレーム(→9000時間)で事前トレーニングされている。
年齢/性別予測、表現型予測、疾患診断、fMRI-to-image検索、タスクベースのfMRIの5つのタスクにおいて、既存の手法よりも優れています。
論文 参考訳（メタデータ） (2025-06-11T23:51:01Z) - Real-Time Brain Tumor Detection in Intraoperative Ultrasound Using YOLO11: From Model Training to Deployment in the Operating Room [13.503074690080453]
術中超音波(ioUS)は脳腫瘍手術において,術中ワークフローへの能率性,手頃性,シームレスな統合により有用である。
本研究は,手術室に展開可能なリアルタイム脳腫瘍検出システムを開発することにより,ioUS画像の解釈可能性を高めることを目的とした。
脳腫瘍術中データベース(BraTioUS)とパブリックReMINDデータセットから2D ioUS画像の収集を行った。
YOLO11アーキテクチャとその変異体を用いて、脳腫瘍を特定するために物体検出モデルを訓練した。
論文 参考訳（メタデータ） (2025-01-27T12:29:19Z) - SKIPNet: Spatial Attention Skip Connections for Enhanced Brain Tumor Classification [3.8233569758620063]
脳腫瘍の早期発見は、タイムリーな治療には不可欠であるが、遠隔地では診断施設へのアクセスが制限されている。
本研究では,MRIデータを用いた脳腫瘍の自動検出と分類のためのディープラーニングモデルを提案する。
空間的注意を取り入れたこのモデルは96.90%の精度を達成し、パターン認識を改善するために文脈情報の集約を強化した。
論文 参考訳（メタデータ） (2024-12-10T18:32:42Z) - Magnetic Resonance Imaging Feature-Based Subtyping and Model Ensemble for Enhanced Brain Tumor Segmentation [6.14919256198409]
本稿では,最先端セグメンテーションモデルを統合する深層学習に基づくアンサンブル手法を提案する。
BraTSデータセットに存在する腫瘍の不均一性を考えると、この手法はセグメンテーションモデルの精度と一般化性を高める。
論文 参考訳（メタデータ） (2024-12-05T12:00:00Z) - 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) - Analysis of the 2024 BraTS Meningioma Radiotherapy Planning Automated Segmentation Challenge [45.3253187215396]
2024年脳腫瘍髄膜腫放射線療法(BraTS-MEN-RT)は、自動セグメンテーションアルゴリズムの進歩を目的とした課題である。
我々はBraTS-MEN-RTチャレンジの設計と結果について述べる。
論文 参考訳（メタデータ） (2024-05-28T17:25:43Z) - Cross-modality Guidance-aided Multi-modal Learning with Dual Attention
for MRI Brain Tumor Grading [47.50733518140625]
脳腫瘍は世界で最も致命的ながんの1つであり、子供や高齢者に非常に多い。
本稿では,MRI脳腫瘍グレーディングの課題に対処するために,新たな多モード学習法を提案する。
論文 参考訳（メタデータ） (2024-01-17T07:54:49Z) - UniBrain: Universal Brain MRI Diagnosis with Hierarchical
Knowledge-enhanced Pre-training [66.16134293168535]
我々はUniBrainと呼ばれるユニバーサル脳MRI診断のための階層的知識強化事前訓練フレームワークを提案する。
具体的には、UniBrainは、定期的な診断から24,770のイメージレポートペアの大規模なデータセットを活用する。
論文 参考訳（メタデータ） (2023-09-13T09:22:49Z) - Patched Diffusion Models for Unsupervised Anomaly Detection in Brain MRI [55.78588835407174]
本稿では,正常脳解剖のパッチベース推定法として拡散モデルの生成タスクを再構築する手法を提案する。
腫瘍と多発性硬化症について検討し,既存のベースラインと比較して25.1%の改善がみられた。
論文 参考訳（メタデータ） (2023-03-07T09:40:22Z) - Deep Convolutional Neural Networks Model-based Brain Tumor Detection in
Brain MRI Images [0.0]
我々の研究は、MR画像から脳腫瘍を診断するためのディープ畳み込みニューラルネットワーク(DCNN)を実装することである。
本モデルでは, 腫瘍でMR像を抽出し, 全体的な精度は96%であった。
論文 参考訳（メタデータ） (2020-10-03T07:42:17Z)
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。