論文の概要: Clinical Knowledge Graphs for Chest X-Ray Device Reasoning

• arxiv url: http://arxiv.org/abs/2609.29536v1
• Date: Tue, 25 Aug 2026 14:57:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:56.068044
• Title: Clinical Knowledge Graphs for Chest X-Ray Device Reasoning
• Title（参考訳）: 胸部X線診断のための臨床知識グラフ
• Abstract要約: 本稿では, デバイスインスタンス, チップ推定, 配置評価, 証明, 報告イベント, 時間的リンクを別個の証拠として示す不確実性を考慮した臨床知識グラフを提案する。 本研究は,5つの非重複外周面の3,255人の患者を対象に,RANZCR CLiPテストアーカイブから保存した予測値を用いて,実装された視覚グラフ層の評価を行った。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Chest radiographs are routinely used to verify the position of catheters, tubes, and other support devices. Existing image models often return labels or segmentations, while report-processing systems structure text without access to image geometry. We present an uncertainty-aware clinical knowledge graph that represents device instances, tip estimates, placement assessments, provenance, report events, and temporal links as separate but connected evidence. We evaluate the implemented visual graph layer using saved predictions from the complete RANZCR CLiP test archive, comprising 30,083 studies from 3,255 patients across five non-overlapping outer folds. The graph builder materializes 914,632 B7 evidence nodes and 884,549 typed relationships. All 118,647 B7 predicted-device nodes retain tip covariance, placement probabilities, fragment provenance, and fragment counts, whereas the direct B2 baseline retains none of these fields. We further define typed data contracts, uncertainty representations, abstention rules, report-image grounding, and longitudinal query mechanisms for extending the graph to report-bearing cohorts. The reported graph-materialization analysis is post-hoc descriptive and does not establish report grounding, longitudinal performance, or clinical utility. It demonstrates a reproducible foundation for evidence-preserving AI reasoning over chest X-ray device assessments.
• Abstract（参考訳）: 胸部X線写真はカテーテル、チューブ、その他の支持装置の位置を確認するために定期的に使用される。 既存の画像モデルはラベルやセグメンテーションを返すことが多いが、レポート処理システムは画像幾何学にアクセスせずにテキストを構成する。 本稿では, デバイスインスタンス, チップ推定, 配置評価, 証明, 報告イベント, 時間的リンクを別個の証拠として示す不確実性を考慮した臨床知識グラフを提案する。 本研究は,5つの非重複外周面の3,255人の患者を対象に,RANZCR CLiPテストアーカイブから保存した予測値を用いて,実装された視覚グラフ層の評価を行った。 グラフビルダーは、914,632のB7エビデンスノードと84,549の型付き関係を実体化する。 118,647個のB7予測デバイスノードは全て、チップ共分散、配置確率、フラグメント証明、フラグメントカウントを保持するが、直接のB2ベースラインはこれらのフィールドを保持しない。 さらに、型付きデータコントラクト、不確実性表現、禁忌規則、レポート画像のグラウンド化、およびグラフをレポート付きコホートに拡張するための長手クエリメカニズムについても定義する。 報告されたグラフ物質化分析は、ポストホック記述であり、報告基盤、経時的パフォーマンス、臨床ユーティリティを確立していない。 これは、胸部X線デバイスアセスメントに対するエビデンス保存AI推論のための再現可能な基礎を実証している。

関連論文リスト

• Decomposing Whole Slide Image Report Generation with Graph-Constrained Multiple Instance Learning Workflows [0.07817813851272346]
  凍結したVirchow2タイルの埋め込みをMIL(Multiple-instance Learning)分類ヘッドで集約するフレームワークを提案する。 臓器条件付きグラフは、これらの回答の集合を、言語モデルが病理報告として実現した構造化推論連鎖に制約する。
  論文  参考訳（メタデータ） (2026-08-15T18:16:38Z)
• VeriGraph: Towards Verifiable Data-Analytic Agents [71.17693022916896]
  LLMをベースとしたエージェントは、データ集約分析タスクにおいて強力な能力を示してきたが、その出力は滅多に検証されていない。 We propose VeriGraph, a traceable neuro-symbolic reasoning framework that agent can construct an explicit heterogeneous evidence directed acyclic graph。 以上の結果から,明示的なエビデンスグラフ構築がデータ分析エージェントの検証に期待できる道のりであることが示唆された。
  論文  参考訳（メタデータ） (2026-06-15T11:50:56Z)
• Structure Observation Driven Image-Text Contrastive Learning for Computed Tomography Report Generation [51.509572354327986]
  本稿では,CTRG(Computed Tomography Report Generation)に適した新しい2段階(構造とレポートの学習)フレームワークを提案する。 第1段階では、CT画像中の対応する構造を学習可能な構造特異的な視覚的クエリーの集合を観察し、その結果として得られる観察トークンと、それに伴う放射線学レポートから抽出された構造特異的なテキスト特徴とを、構造的に画像テキストのコントラストロスとで対比する。 第2段階では、視覚構造クエリを凍結し、各解剖学的構造を描写したクリティカルイメージパッチ埋め込みを選択するために使用し、メモリ消費を低減しつつ、無関係領域からの注意を最小化する。
  論文  参考訳（メタデータ） (2026-03-05T07:07:07Z)
• A Graph-Based Framework for Interpretable Whole Slide Image Analysis [86.37618055724441]
  我々は,全スライディング画像を生物学的にインフォームドされたグラフ表現に変換するフレームワークを開発した。 我々のアプローチは、任意の格子ではなく、自然構造を尊重する組織領域からグラフノードを構築する。 がんのステージングと生存予測の課題に強いパフォーマンスを示す。
  論文  参考訳（メタデータ） (2025-03-14T20:15:04Z)
• Structural Entities Extraction and Patient Indications Incorporation for Chest X-ray Report Generation [10.46031380503486]
  胸部X線レポート生成のための新しい方法である textbfStructural textbfEntities 抽出法と textbfIncorporation (SEI) を考案した。 我々は、レポートにおけるプレゼンテーションスタイルの語彙を排除するために、構造エンティティ抽出(SEE)アプローチを採用する。 我々は,X線画像,類似の歴史的症例,患者固有の指標からの情報を統合するクロスモーダル融合ネットワークを提案する。
  論文  参考訳（メタデータ） (2024-05-23T01:29:47Z)
• Uncertainty-aware Medical Diagnostic Phrase Identification and Grounding [72.18719355481052]
  MRG(Messical Report Grounding)と呼ばれる新しい課題について紹介する。 MRGは医療報告から診断フレーズとその対応する接地箱を直接エンドツーエンドで識別することを目的としている。 マルチモーダルな大規模言語モデルを用いて診断フレーズを予測する,堅牢で信頼性の高いフレームワークである uMedGround を提案する。
  論文  参考訳（メタデータ） (2024-04-10T07:41:35Z)
• MedCycle: Unpaired Medical Report Generation via Cycle-Consistency [11.190146577567548]
  一貫性のあるラベリングスキーマを必要としない革新的なアプローチを導入する。 このアプローチは、画像埋め込みをレポート埋め込みに変換するサイクル一貫性マッピング関数に基づいている。 胸部X線所見の発生は、最先端の結果よりも優れており、言語と臨床の両方の指標の改善が示されている。
  論文  参考訳（メタデータ） (2024-03-20T09:40:11Z)
• Dynamic Graph Enhanced Contrastive Learning for Chest X-ray Report Generation [92.73584302508907]
  コントラスト学習を用いた医療レポート作成を支援するために,動的構造とノードを持つ知識グラフを提案する。 詳しくは、グラフの基本構造は一般知識から事前構築される。 各イメージ機能は、レポート生成のためにデコーダモジュールに入力する前に、独自の更新グラフに統合される。
  論文  参考訳（メタデータ） (2023-03-18T03:53:43Z)
• Breaking with Fixed Set Pathology Recognition through Report-Guided Contrastive Training [23.506879497561712]
  我々は、非構造化医療報告から直接概念を学ぶために、対照的なグローバルローカルなデュアルエンコーダアーキテクチャを採用している。 疾患分類のための大規模胸部X線データセットMIMIC-CXR,CheXpert,ChestX-Ray14について検討した。
  論文  参考訳（メタデータ） (2022-05-14T21:44:05Z)

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。