論文の概要: Foundation model embeddings capture pre-diagnostic changes on screening mammograms
- arxiv url: http://arxiv.org/abs/2609.26605v1
- Date: Tue, 22 Sep 2026 15:42:43 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-24 01:05:39.732511
- Title: Foundation model embeddings capture pre-diagnostic changes on screening mammograms
- Title（参考訳）: 基礎モデル埋め込みによるマンモグラムの診断前変化の可視化
- Abstract要約: マンモグラフィーをスクリーニングする基礎モデル埋め込みは、タスク固有の適応なしに、診断前組織の変化をコード化することができる。
組込みが、後に癌と診断された女性の「がん方向」に沿って速く動くかどうかを、スクリーン陰性な対照で比較した。
- 参考スコア（独自算出の注目度）: 2.7421668642544597
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Foundation model embeddings of screening mammograms may encode pre-diagnostic tissue change without task-specific adaptation. We tested whether embeddings move faster along a data-derived "cancer direction" in women later biopsied for cancer than in matched screen-negative controls, and whether this depends on pretraining domain. We studied 1,773 biopsied women (785 malignant, 988 biopsy-negative) and 1,773 matched controls, each with at least two annual screening exams before their index exam. An identical pipeline was applied to four 2D models: Mammo-CLIP (MC, out-of-distribution mammography), HOPPR (in-distribution mammography), MedImageInsight (MII, general medical imaging), and BiomedCLIP (biomedical vision-language pretraining on literature figures). Breast-level embeddings quantified longitudinal movement along the cancer direction. We compared cases and controls using a between-patient design with complementary mixed-effects analysis, and biopsied versus healthy contralateral breasts within patients. Under matched modality in MII embedding space, malignant cases drifted significantly faster than controls in the first two screening intervals preceding the index exam; biopsy-negative cases showed significance only in the first. MC differences were significant in the first interval for both biopsy groups. Within-patient comparisons showed a broadly similar pattern, with MC significance extending to the second interval in both groups and HOPPR showing significance at interval 1. BiomedCLIP showed no significant differences in either design or biopsy group. Overall, directional embedding velocity emerges as a property of clinically grounded rather than general biomedical pretraining, showing that foundation model embeddings can encode pre-diagnostic mammographic change without task-specific adaptation.
- Abstract（参考訳）: マンモグラフィーをスクリーニングする基礎モデル埋め込みは、タスク固有の適応なしに、診断前組織の変化をコード化することができる。
組込みが、後に癌で生検された女性の「がん方向」に沿ってより速く動くかどうかを、スクリーン陰性制御と一致し、事前学習ドメインに依存しているかどうかを調べた。
1,773名(悪性785名,生検陰性988名)と1,773名(整合性1,773名)を検討した。
Mammo-CLIP (MC,out-of-distriion mammography), HOPPR (in-distriion mammography), MedImageInsight (MII, general medical imaging), BiomedCLIP (biomedical vision- language pretraining on literature figures)の4つのモデルに適用した。
乳腺レベル埋め込みは癌方向の縦移動を定量化した。
症例と対照を相補的混合効果分析で比較し, 健常乳房と健常乳房の比較を行った。
MII埋込空間の適合モードでは, 検診前の2回の検診間隔において, 悪性症例はコントロールよりも有意に速かったが, 生検陰性症例は1回目で有意な有意差を認めた。
MC差は両生検群で初回間隔で有意差を認めた。
患者内比較では, MC有意差は両群第2間隔, HOPPR有意差は1間隔であった。
バイオメディカルCLIPは, デザイン群と生検群に有意差は認められなかった。
総合的に, 指向性埋め込み速度は, 一般のバイオメディカル・プレトレーニングよりも臨床に基礎を置いている特性として出現し, 基礎モデル埋め込みは, タスク特異的適応なしに, 術前のマンモグラフィー変化をエンコードできることを示した。
関連論文リスト
- BenchX: Benchmarking AI Models for Cancer Detection and Localization with Demographic and Protocol Biases [59.19934491064188]
人工知能(AI)は医療画像において顕著な成功を収めた。
これらのモデルは、実世界の臨床環境において矛盾なく機能することが多い。
我々は,12種類の腫瘍検出AIモデルを体系的に評価する85,355個のCTスキャンのベンチマークを開発した。
論文 参考訳（メタデータ） (2026-06-23T17:58:59Z) - Spatial Multi-Task Learning for Breast Cancer Molecular Subtype Prediction from Single-Phase DCE-MRI [30.331894334353038]
乳癌分子型予測のための空間マルチタスク学習フレームワークを提案する。
このフレームワークは、エストロゲン受容体(ER)、プロゲステロン受容体(PR)、ヒト上皮成長因子受容体2(HER2)、およびKi-67増殖指数を同時に予測する。
論文 参考訳（メタデータ） (2026-01-11T17:33:41Z) - Deep Unsupervised Anomaly Detection in Brain Imaging: Large-Scale Benchmarking and Bias Analysis [42.60508892284938]
脳画像の深部教師なし異常検出のための大規模マルチセンターベンチマークを提案する。
健康なデータセットと多様な臨床コホートにまたがる2,221T1wと1,262T2wのスキャンを行った。
我々のベンチマークは今後の研究の透明な基盤を確立し、臨床翻訳の優先順位を強調している。
論文 参考訳（メタデータ） (2025-12-01T11:03:27Z) - Transformer Classification of Breast Lesions: The BreastDCEDL_AMBL Benchmark Dataset and 0.92 AUC Baseline [1.9336815376402718]
本研究では,ダイナミックコントラスト強調MRIにおける乳腺病変の自動分類のためのトランスフォーマーベースフレームワークを提案する。
患者レベルでは100%の感度と67%の特異性を有する病変レベル分類のAUCを0.92で達成したSegFormerアーキテクチャを実装した。
データセット、モデル、評価プロトコルの公開リリースは、DCE-MRI病変分類のための最初の標準化されたベンチマークを提供する。
論文 参考訳（メタデータ） (2025-09-30T15:58:02Z) - CECT-Mamba: a Hierarchical Contrast-enhanced-aware Model for Pancreatic Tumor Subtyping from Multi-phase CECT [14.2491883349628]
本稿では,膵腫瘍のサブタイプを識別するために,多相CECTデータを組み合わせる自動手法を提案する。
具体的には、2つの新しい空間的および時間的サンプリングシーケンスを組み込んだ二重階層型コントラスト対応マンバモジュールを提案する。
膵管腺癌 (PDAC) と膵神経内分泌腫瘍 (PNET) の鑑別において, 270症例の社内データセットによる精度は97.4%, AUCは98.6%であった。
論文 参考訳（メタデータ） (2025-09-16T07:48:11Z) - 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) - Deep learning-based approach to reveal tumor mutational burden status
from whole slide images across multiple cancer types [41.61294299606317]
腫瘍突然変異負担(TMB)は、免疫療法の潜在的なゲノムバイオマーカーである。
ゲノムシークエンシングによって検出されたTMBは、低リソース環境での臨床透過性を欠いている。
本研究では,日常的に使用されているスライド画像からTMB状態を検出するための大規模ディープラーニングフレームワークを提案する。
論文 参考訳（メタデータ） (2022-04-07T07:02:32Z) - On segmentation of pectoralis muscle in digital mammograms by means of
deep learning [1.7114784273243784]
本稿では,データ駆動予測とグラフベース画像処理を組み合わせた2段階のセグメンテーション戦略を提案する。
提案手法では,乳房-胸部境界の位置を予測するために,畳み込みニューラルネットワーク(CNN)を用いる。
比較分析の結果,最先端技術よりも大幅に改善され,モデルフリーで完全自動処理が可能となった。
論文 参考訳（メタデータ） (2020-08-29T03:38:11Z) - Synthesizing lesions using contextual GANs improves breast cancer
classification on mammograms [0.4297070083645048]
本稿では, マンモグラムの病変を現実的に合成し, 除去するデータ拡張のための, GANモデルを提案する。
自己注意と半教師付き学習コンポーネントにより、U-netベースのアーキテクチャは高解像度(256x256px)の出力を生成することができる。
論文 参考訳（メタデータ） (2020-05-29T21:23:00Z) - Segmentation of the Myocardium on Late-Gadolinium Enhanced MRI based on
2.5 D Residual Squeeze and Excitation Deep Learning Model [55.09533240649176]
本研究の目的は,LGE-MRIを用いた心筋境界領域の深部学習モデルに基づく正確な自動セグメンテーション法を開発することである。
合計320回の試験(平均6回の試験)と28回の試験が行われた。
ベーススライスとミドルスライスにおけるアンサンブルモデルの性能解析は, サーバ内調査と同等であり, アトピーススライスではわずかに低かった。
論文 参考訳（メタデータ） (2020-05-27T20:44:38Z)
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。