論文の概要: Radiomics--Foundation Fusion for Interpretable RCC Classification: Internal Benchmarking and Exploratory External Transfer

• arxiv url: http://arxiv.org/abs/2609.26578v1
• Date: Tue, 22 Sep 2026 15:25:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-24 01:05:39.725374
• Title: Radiomics--Foundation Fusion for Interpretable RCC Classification: Internal Benchmarking and Exploratory External Transfer
• Title（参考訳）: 解釈可能なRCC分類のための放射線核融合:内部ベンチマークと探索外転
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 2.9671804743671566
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate preoperative subtype classification of renal cell carcinoma (RCC) from contrast-enhanced CT remains clinically challenging because clear cell RCC (ccRCC) and non-clear cell RCC often show overlapping imaging appearances. This study evaluates whether foundation representations reduce reliance on handcrafted radiomics, or whether radiomics remains complementary for interpretable tumour characterisation. We compared radiomics, conventional CNN features, MedicalNet-pretrained features, MedVAE representations, and fusion variants for binary ccRCC classification on KiTS23, reporting area under the receiver operating characteristic curve (AUC) with bootstrap confidence intervals and average precision (AP) as a complementary class-imbalance-sensitive metric. We further assessed branch-removal ablation, TCGA/AIMI external transfer, and interpretability using radiomics permutation importance and gate-level analysis. Internally, 3D MedVAE gated fusion achieved the best performance, with an AUC of 82.7% and AP of 92.2%. On the external TCGA cohort, the same model achieved an AUC of 79.5% and AP of 98.9%, although specificity remains uncertain because only two external non-ccRCC cases were available. Gate analysis showed a radiomics-dominant fusion regime, suggesting that foundation representations acted as case-dependent refinement signals rather than replacements for structured tumour descriptors. These findings support radiomics as a complementary and clinically interpretable component of CT-based RCC characterisation in the foundation-model era.
• Abstract（参考訳）: 造影CTによる腎細胞癌 (RCC) の術前分類は, クリア細胞RCC (ccRCC) と非クリア細胞RCC (non-clear cell RCC) が重複することが多いため, 臨床的に困難である。 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。 放射能, 従来のCNNの特徴, MedVAE 表現, および KiTS23 上のバイナリccRCC 分類のための融合変種, ブートストラップ信頼区間と平均精度 (AP) を相補的クラス不均衡感尺度として, 受信機動作特性曲線 (AUC) 下の報告領域を比較した。 さらに, 分岐除去アブレーション, TCGA/AIMI外転, ラジオミクス置換の重要性とゲートレベル解析を用いた解釈可能性について検討した。 内部的には、3D MedVAEのゲート融合は最高の性能を達成し、AUCは82.7%、APは92.2%だった。 外部のTCGAコホートでは、同じモデルが79.5%のAUCと98.9%のAPを達成しているが、外部のccRCC以外の2つのケースしか使用できなかったため、特異性はまだ不明である。 ゲート解析では, 放射線に支配される核融合機構が示され, 基礎表現は構造的腫瘍記述子の代替ではなく, ケース依存の精製信号として機能していた。 これらの知見は,基礎モデル時代におけるCTベースのRCC特性の相補的かつ臨床的に解釈可能な構成要素として,放射線学を支えている。

関連論文リスト

• Complementary Roles of Radiomics and Foundation Representations in Renal Cell Carcinoma Classification: A Comparative Study of 2D and 3D CT Encodings [1.9643634367352913]
  放射能は構造された腫瘍記述子を提供するが、基礎表現は転写可能な画像特徴を提供する。 2次元MedVAE, 3次元MedVAE, および2次元クリアセルRCCと非クリアセルRCCとの融合を比較検討した。
  論文  参考訳（メタデータ） (2026-09-22T14:14:33Z)
• ORION-CMR: On-scanner Reporting with Integrated Foundation Model for End-to-End Cardiac MRI Analysis and Interpretation [1.104628812978731]
  ORION-CMRは,初めて臨床的に評価されたスキャナーネイティブなCMR基盤モデルである。 ORION-CMRは、シーケンス分類、心機能評価、遅延ガドリニウム増強(LGE)検出、バイナリとマルチクラスの疾患分類、および局所的な大規模言語モデルに基づくレポート生成を実行する。 これらの結果は、リアルタイムスキャナネイティブなAI支援CMR分析と自動レポート生成の実現可能性を示している。
  論文  参考訳（メタデータ） (2026-09-20T23:46:46Z)
• Neural Discrete Representation Learning for Sparse-View CBCT Reconstruction: From Algorithm Design to Prospective Multicenter Clinical Evaluation [64.42236775544579]
  コーンビームCT(CBCT)ガイド下穿刺は胸部腫瘍の診断・治療に確立されたアプローチとなっている。 DeepPriorCBCTは3段階のディープラーニングフレームワークであり、従来の放射線線量の6分の1しか使用せずに診断段階の再構築を実現する。
  論文  参考訳（メタデータ） (2025-11-30T12:45:02Z)
• 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)
• A Robust Deep Learning Method with Uncertainty Estimation for the Pathological Classification of Renal Cell Carcinoma based on CT Images [10.860934781772098]
  開発した深層学習モデルは,RCCの病的サブタイプを予測する上で,頑健な性能を示した。 統合された不確実性は,臨床的意思決定を支援する上で重要なモデル信頼の重要性を強調した。
  論文  参考訳（メタデータ） (2023-11-01T15:07:39Z)
• Radiomics as a measure superior to the Dice similarity coefficient for tumor segmentation performance evaluation [0.0]
  本研究は, 医師のセグメンテーション能力と自動セグメンテーションツールを評価するための優れた尺度として, 放射能の特徴を提案する。 放射線の特徴、特に形状とエネルギーに関連するものは、Dice similarity Coefficient (DSC)とは異なり、腫瘍のセグメンテーション特性の微妙な変化を捉えることができる。 発見は、これらの新しい指標が、新しい自己隔離法を評価し、医療セグメント化における個人のトレーニングを強化するために使われることを示唆している。
  論文  参考訳（メタデータ） (2023-10-30T21:50:08Z)
• Attention-based Saliency Maps Improve Interpretability of Pneumothorax Classification [52.77024349608834]
  視覚変換器(ViT)の胸部X線撮影(CXR)分類性能と注意ベース唾液の解釈可能性について検討する。 ViTは、CheXpert、Chest X-Ray 14、MIMIC CXR、VinBigDataの4つの公開データセットを用いて、肺疾患分類のために微調整された。 ViTsは最先端のCNNと比べてCXR分類AUCに匹敵するものであった。
  論文  参考訳（メタデータ） (2023-03-03T12:05:41Z)
• Radiomics-Guided Global-Local Transformer for Weakly Supervised Pathology Localization in Chest X-Rays [65.88435151891369]
  Radiomics-Guided Transformer (RGT)は、テキストトグロバル画像情報と、テキストトグロバル情報とを融合する。 RGTは、画像トランスフォーマーブランチ、放射能トランスフォーマーブランチ、および画像と放射線情報を集約する融合層から構成される。
  論文  参考訳（メタデータ） (2022-07-10T06:32:56Z)

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。