論文の概要: Towards Whole-Study Screening for Congenital Heart Disease in Fetal Ultrasound Using Multiple Instance Learning
- arxiv url: http://arxiv.org/abs/2609.31376v1
- Date: Fri, 25 Sep 2026 15:14:48 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-28 18:27:51.451535
- Title: Towards Whole-Study Screening for Congenital Heart Disease in Fetal Ultrasound Using Multiple Instance Learning
- Title（参考訳）: 先天性心疾患に対するマルチケースラーニングを用いた胎児超音波全検診の試み
- Abstract要約: 先天性心疾患(CHD)が最も多いが、出生前超音波検査では検出されていない症例は少ない。
そこで本稿では,未ラベル胎児超音波による自己教師型マスク・オートエンコーダの事前トレーニングにより,転送可能なフレーム表現を学習する2段階のフレームワークを提案する。
病原性心疾患を同定したMILは,出生前CHD検診への正確かつデプロイ可能な方法である。
- 参考スコア（独自算出の注目度）: 3.6244409699979676
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Congenital heart disease (CHD) is the most common birth defect, yet a large fraction of cases remain undetected on prenatal ultrasound, in part because current artificial-intelligence methods assume that the key diagnostic frames have already been isolated from a study, by a clinician or by a view classifier. We remove that assumption and address CHD screening directly at the level of the whole ultrasound study. We propose a two-stage framework that first learns transferable frame representations by self-supervised masked-autoencoder pre-training on unlabeled fetal ultrasound, then identifies cardiac frames with a disease-robust module and aggregates them with a transformer-based multiple instance learning (MIL) model that produces a case-level diagnosis from study-level labels alone. The model further returns its highest-scoring frames for clinician review, and a hierarchical head separates critical from non-critical CHD. On the internal test set of our multi-source development cohort (FUSE), the proposed cardiac-gated MIL model reaches an area under the curve (AUC) of 0.985 with a specificity of 0.990, outperforming the reproduced NATMED ensemble (AUC 0.861, specificity 0.600) and the FetalCLIP foundation model (AUC 0.867, specificity 0.710). On an independent external cohort, all models initially perform near chance, but label-free CORAL adaptation raises the proposed model from an AUC of 0.513 to 0.944, whereas whole-study and view-dependent baselines do not recover. These results indicate that whole-study MIL with disease-robust cardiac-frame identification is an accurate and deployable route to prenatal CHD screening.
- Abstract（参考訳）: 先天性心疾患(CHD)が最も多いが、現在の人工知能検査法では、重要な診断フレームが、臨床医やビュー分類器によって既に研究から分離されていると推定されているため、出生前超音波で検出されていない症例は少数である。
我々は,この仮定を除去し,超音波検査全体のレベルで直接CHDスクリーニングに対処する。
本稿では、まず、自己教師型マスク付きオートエンコーダによる、胎児超音波の事前トレーニングにより、転送可能なフレーム表現を学習し、その後、病原体モジュールを用いて心臓のフレームを識別し、学習レベルラベルのみからケースレベル診断を生成するトランスフォーマーベースのマルチインスタンス学習(MIL)モデルで集約する2段階フレームワークを提案する。
このモデルはさらに、臨床医のレビューのために最高のスコアフレームを返却し、階層的な頭部は非クリティカルなCHDと区別する。
マルチソース開発コーホート (FUSE) の内部テストセットにおいて,提案した心ゲート型MILモデルは0.985の曲線 (AUC) の範囲に到達し,再現されたATMEDアンサンブル (AUC 0.861, 特異性0.600) とFetalCLIP基盤モデル (AUC 0.867, 特異性0.710) を上回った。
独立な外部コホートでは、全てのモデルが近い確率で実行されるが、ラベルのないコーラル適応は提案されたモデルを0.513から0.944に引き上げるが、全体スタディとビューに依存したベースラインは回復しない。
以上の結果より,病原性心フレーム同定を併用した全スタディMILは,出生前CHDスクリーニングへの正確かつデプロイ可能な経路であることが示唆された。
関連論文リスト
- CARDEA: Auditable Reasoning Grounded in Spatial Evidence for End-to-End Coronary Angiography Interpretation [0.0]
既存のAIシステムは一貫性を向上させることができるが、監査可能な意思決定プロセスが欠如している。
我々はCAGパイプラインの推論コアとして機能する統合された大きな視覚言語モデルであるCARDEAを開発した。
CARDEAは、選択から研究レベルの診断を通じて、生のマルチビュービデオからエンドツーエンドのCAGパイプラインを実行する。
論文 参考訳（メタデータ） (2026-09-07T02:01:27Z) - Interpretable Machine Learning for Antepartum Prediction of Pregnancy-Associated Thrombotic Microangiopathy Using Routine Longitudinal Laboratory Data [20.314650315287775]
P-TMAでは, 早期のリスク予測が困難である。
本研究は機械学習を用いて長期臨床検査から潜伏時間依存型リスクシグネチャを抽出した。
モデルは0.872のAUROCと0.883のAUPRCを保持試験コホートで達成し、感度は0.750、特異度は0.812である。
論文 参考訳（メタデータ） (2026-05-13T17:07:00Z) - Suppressing Prior-Comparison Hallucinations in Radiology Report Generation via Semantically Decoupled Latent Steering [94.37535002230504]
本研究では,Semantically Decoupled Latent Steeringと呼ばれる学習自由な推論時間制御フレームワークを開発した。
提案手法は,大言語モデル (LLM) による意味分解による意味のない介入ベクトルを構築する。
本手法は歴史的幻覚の可能性を著しく低下させることを示す。
論文 参考訳（メタデータ） (2026-02-27T04:49:01Z) - Improved cystic hygroma detection from prenatal imaging using ultrasound-specific self-supervised representation learning [0.18058404137575482]
嚢胞性横隔膜腫(Cystic hygroma)は、高リスク出生前超音波検査で、染色体異常、構造的異常、および妊娠の悪影響を呈する。
本研究は,第1トリメスター超音波画像において,超音波による自己教師付き事前訓練が,嚢胞性肥大症を高精度かつ堅牢に検出するのに役立つかどうかを検証した。
論文 参考訳（メタデータ） (2025-12-28T00:07:26Z) - An Explainable Hybrid AI Framework for Enhanced Tuberculosis and Symptom Detection [55.35661671061754]
結核は、特に資源に制限された遠隔地において、重要な世界的な健康問題である。
本稿では, 胸部X線による疾患および症状の検出を, 2つの頭部と自己監督頭部を統合することで促進する枠組みを提案する。
本モデルでは, 新型コロナウイルス, 結核, 正常症例の鑑別で98.85%の精度が得られ, マルチラベル症状検出では90.09%のマクロF1スコアが得られた。
論文 参考訳（メタデータ） (2025-10-21T17:18:55Z) - Combining ECG Foundation Model and XGBoost to Predict In-Hospital Malignant Ventricular Arrhythmias in AMI Patients [14.778478113602675]
急性心筋梗塞(AMI)後の心室不整脈(VT/VF)は院内死亡の主な原因である。
本研究の目的は,大規模な心電図基礎モデル(ECGFounder)と解釈可能なXGBoost分類器を統合するハイブリッド予測フレームワークを開発することである。
AMI患者6,634例の心電図解析を行い,そのうち175例が院内VT/VFであった。
論文 参考訳（メタデータ） (2025-10-20T05:26:55Z) - Epistemic-aware Vision-Language Foundation Model for Fetal Ultrasound Interpretation [83.02147613524032]
医療用AIシステムFetalMindについて報告する。
本稿では、専門家による2部グラフをモデルに注入し、ビュー・ディスリーズ関連を分離するSED(Salient Epistemic Disentanglement)を提案する。
FetalMindはすべての妊娠期のオープンソースおよびクローズドソースベースラインを上回り、平均利得は+14%、臨界条件では+61.2%高い。
論文 参考訳（メタデータ） (2025-10-14T19:57:03Z) - A Novel Attention-Augmented Wavelet YOLO System for Real-time Brain Vessel Segmentation on Transcranial Color-coded Doppler [49.03919553747297]
我々は,脳動脈を効率よく捉えることができるAIを利用したリアルタイムCoW自動分割システムを提案する。
Transcranial Color-coded Doppler (TCCD) を用いたAIによる脳血管セグメンテーションの事前研究は行われていない。
提案したAAW-YOLOは, 異方性および対側性CoW容器のセグメンテーションにおいて高い性能を示した。
論文 参考訳（メタデータ） (2025-08-19T14:41:22Z) - 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) - Learning normal appearance for fetal anomaly screening: Application to
the unsupervised detection of Hypoplastic Left Heart Syndrome [3.349339674977796]
先天性心疾患は先天異常の最も一般的なグループの一つで、新生児の6-11ドル/000ドルに影響を及ぼす。
本研究は,低形成性左心症候群(HLHS)例を対象に,超音波検診における心臓異常の自動検出のための枠組みを提案し,評価した。
臨床検査で確認された正常なコントロール患者のみから健康な解剖学を学習する教師なしのアプローチを提案する。
論文 参考訳（メタデータ） (2020-11-15T17:18:37Z)
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。