論文の概要: Radiomics-Conditioned Modulation of RenalCLIP Features for Clear Cell Renal Cell Carcinoma Classification

• arxiv url: http://arxiv.org/abs/2609.26492v1
• Date: Tue, 22 Sep 2026 14:29:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-24 01:05:39.69876
• Title: Radiomics-Conditioned Modulation of RenalCLIP Features for Clear Cell Renal Cell Carcinoma Classification
• Title（参考訳）: クリアセル腎細胞癌分類におけるレナルCLIPの特徴のラジオミクスによる調節
• Abstract要約: 我々のフレームワークは放射能を使ってFiLM(Feature-wise linear modulation)を通してRenalCLIPの特徴を変調する。 FiLMは、内部で0.804、外部で0.854の受信特性曲線(AUC)の下の領域を達成している。 これらの知見は,RenalCLIPの小さなラベル付きコホートにおける補体としてラジオミクスをサポートし,その表現を堅牢な腎腫瘍分類に組み込むための効果的なアプローチとしてFiLMを同定する。
• 参考スコア（独自算出の注目度）: 1.9643634367352913
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Radiomics provides quantitative descriptions of tumour appearance that may complement disease-specific foundation models in small labelled cohorts. We investigate this complementarity for computed tomography-based classification of clear cell renal cell carcinoma. Our framework uses radiomics to modulate RenalCLIP features through feature-wise linear modulation (FiLM), while retaining a direct radiomics contribution. Internal testing and external validation compare it with conventional fusion strategies and reference classifiers. The FiLM model achieves an area under the receiver operating characteristic curve (AUC) of 0.804 internally and 0.854 externally, with the highest mean AUC among the evaluated RenalCLIP fusion strategies in both cohorts. Pathway ablations examine the contributions of conditional modulation and the direct radiomics residual, while feature permutation highlights the role of tumour texture. These findings support radiomics as a useful complement to RenalCLIP in a small labelled cohort and identify FiLM as an effective approach to integrating their representations for robust renal tumour classification.
• Abstract（参考訳）: 放射線学は、小さなラベル付きコホートにおける疾患特異的基盤モデルを補完する腫瘍の外観を定量的に記述する。 われわれはこの相補性について, クリア細胞腎細胞癌のCTによる分類について検討した。 本フレームワークでは, 直接ラジオミクスの寄与を保ちつつ, 特徴量線形変調(FiLM)によるRenalCLIP特徴の変調にラジオミクスを用いる。 内部テストと外部検証は、従来の融合戦略や参照分類器と比較する。 両コホートにおいて評価されたRenalCLIP融合戦略の中で,FiLMモデルは,内部および外部の0.804と0.854の受信動作特性曲線(AUC)の下の領域を最大平均AUCで達成する。 パスウェイアブレーションは, 条件変調と直接放射能の寄与を検証し, 特徴置換は腫瘍テクスチャの役割を強調している。 これらの知見は,RenalCLIPの小さなラベル付きコホートにおける補体としてラジオミクスをサポートし,その表現を堅牢な腎腫瘍分類に組み込むための効果的なアプローチとしてFiLMを同定する。

関連論文リスト

• Radiomics--Foundation Fusion for Interpretable RCC Classification: Internal Benchmarking and Exploratory External Transfer [2.9671804743671566]
  造影CTによる腎細胞癌 (RCC) の正確な術前分類は, いまだに困難である。 本研究は, 基礎表現が手技による放射能への依存を軽減するか, あるいは, 解釈可能な腫瘍のキャラクタリゼーションの相補的ままであるかを評価する。
  論文  参考訳（メタデータ） (2026-09-22T15:25:59Z)
• Multimodal classification of Radiation-Induced Contrast Enhancements and tumor recurrence using deep learning [0.23179411766464517]
  RICE-NETは、経時的MRIデータと放射線治療用線量分布を統合して自動病変分類を行うマルチモーダル3Dディープラーニングモデルである。 アブレーション実験では,各時間点とモダリティの寄与を定量化し,信頼性の高い分類が主に放射マップに依存することを示した。
  論文  参考訳（メタデータ） (2026-03-12T11:48:22Z)
• Developing Predictive and Robust Radiomics Models for Chemotherapy Response in High-Grade Serous Ovarian Carcinoma [0.9165796164519936]
  ネオアジュバント化学療法 (Neoadjuvant chemotherapy, NACT) は、手術前に腫瘍の負担を軽減するためにしばしば用いられるが、約40%の患者は反応が限られている。 放射能と機械学習(ML)を組み合わせることで、NAT応答を予測するための有望な非侵襲的手法を提供する。 本研究は,異なる特徴選択法を用いてNACTを施行したHGSOC患者の応答予測を改善することを目的とした。
  論文  参考訳（メタデータ） (2026-01-13T11:29:02Z)
• LGE-Guided Cross-Modality Contrastive Learning for Gadolinium-Free Cardiomyopathy Screening in Cine CMR [51.11296719862485]
  CMRを用いたガドリニウムフリー心筋症スクリーニングのためのコントラシブラーニングおよびクロスモーダルアライメントフレームワークを提案する。 CMRとLate Gadolinium Enhancement (LGE) 配列の潜伏空間を整列させることにより, 本モデルでは線維症特異的な病理組織をCMR埋め込みにエンコードする。
  論文  参考訳（メタデータ） (2025-08-23T07:21:23Z)
• LRMR: LLM-Driven Relational Multi-node Ranking for Lymph Node Metastasis Assessment in Rectal Cancer [12.795639054336226]
  直腸癌リンパ節転移の術前評価は治療決定を導く。 一部の人工知能モデルはブラックボックスとして機能し、臨床信頼に必要な解釈性に欠ける。 LLM-Driven Multi-node Ranking frameworkであるLRMRを紹介する。
  論文  参考訳（メタデータ） (2025-07-15T16:29:45Z)
• Unraveling Radiomics Complexity: Strategies for Optimal Simplicity in Predictive Modeling [4.1032659987778315]
  放射線的特徴セットの高次元性、放射線的特徴タイプの変動性、そして潜在的に高い計算要求は、全て、与えられた臨床問題に対する最小の予測的特徴セットを特定する効果的な方法の必要性を浮き彫りにしている。 我々は,最小限の放射線学的特徴を識別し,説明するための方法論とツールを開発する。
  論文  参考訳（メタデータ） (2024-07-05T23:14:46Z)
• 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)
• Radiology-Llama2: Best-in-Class Large Language Model for Radiology [71.27700230067168]
  本稿では,ラジオロジーに特化した大規模言語モデルであるRadiology-Llama2を紹介する。 MIMIC-CXRとOpenIデータセットのROUGEメトリクスを用いた定量的評価は、Radiology-Llama2が最先端のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2023-08-29T17:44:28Z)
• Learning to diagnose cirrhosis from radiological and histological labels with joint self and weakly-supervised pretraining strategies [62.840338941861134]
  そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。 我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。 この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
  論文  参考訳（メタデータ） (2023-02-16T17:06:23Z)
• Improving Classification Model Performance on Chest X-Rays through Lung Segmentation [63.45024974079371]
  本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。 提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
  論文  参考訳（メタデータ） (2022-02-22T15:24:06Z)

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。