論文の概要: Extraction of clinical findings from mammography and breast ultrasound reports: a comparison between specialists and Artificial Intelligence

• arxiv url: http://arxiv.org/abs/2609.31974v1
• Date: Fri, 25 Sep 2026 20:18:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 04:16:41.075325
• Title: Extraction of clinical findings from mammography and breast ultrasound reports: a comparison between specialists and Artificial Intelligence
• Title（参考訳）: 乳房超音波検査および乳房超音波検査による臨床所見の抽出 : 専門医と人工知能の比較
• Abstract要約: Gemini 2.5 Flashモデルは最高性能を示し、マクロF1は0.91、マイクロF1は0.98を達成した。 4つの報告では、このモデルは、手動抽出中に省略された、または誤って記録された情報を正しく識別している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Breast cancer is the leading cause of cancer-related death among women in Brazil, and the time between the request and the release of mammography reports directly influences adherence to screening, making the agility in processing these reports a critical factor for early diagnosis. In this context, this study compares the performance of a Large Language Model (LLM) with manual extraction performed by a team of health researchers in identifying clinical findings from mammography and breast ultrasound reports written in Brazilian Portuguese. Named Entity Recognition (NER) was applied through Prompt Engineering using a few-shot strategy, employing the Gemini 2.5 Flash model, selected from preliminary exploratory tests with four candidate models. The Gemini 2.5 Flash model demonstrated the best performance, achieving a Macro F1 of 0.91 and a Micro F1 of 0.98. The subjective validation, in which 29 exams of different formats were evaluated by health researchers using a Likert scale, yielded an agreement index of 93.1%. The model outperformed human extraction in overall Macro F1 (0.91 vs. 0.72), as in four reports the model correctly identified information that had been omitted or incorrectly recorded during manual extraction, demonstrating its potential as a complementary verification tool alongside specialists. The results confirm the hypothesis that LLMs, when instructed through Prompt Engineering, can achieve performance comparable to or superior to manual extraction by health professionals.
• Abstract（参考訳）: 乳がんはブラジルの女性のがん関連死亡の主な原因であり、この要求からマンモグラフィーの報告までの期間は、検診の順守に直接影響を及ぼし、これらの報告の処理の機敏さが早期診断の重要な要因となっている。 本研究は,ブラジルポルトガル語で書かれたマンモグラフィと乳房超音波検査から臨床所見を同定するために,大規模言語モデル(LLM)と健康研究者チームによる手動抽出を比較した。 名前付きエンティティ認識(NER)はPrompt Engineeringを通じて,4つの候補モデルによる予備的な探索テストから選択されたGemini 2.5 Flashモデルを使用して,数ショットの戦略を用いて適用された。 Gemini 2.5 Flashモデルは最高性能を示し、マクロF1は0.91、マイクロF1は0.98を達成した。 主観的検証では、29の異なるフォーマットの試験が、Quatrt尺度を用いて健康研究者によって評価され、93.1%の合意指数が得られた。 4つの報告によれば、このモデルは、手動抽出中に省略されたり、不正に記録された情報を正しく識別し、専門家と共に補完的な検証ツールとしての可能性を示した。 その結果,LLMはプロンプト・エンジニアリング(Prompt Engineering)によって指導された場合,医療従事者による手作業による抽出に匹敵する性能を達成できるという仮説が確定した。

関連論文リスト

• LUCAID: Agentic Multimodal AI for Lung Cancer Precision Pathology [31.423026630670297]
  LUCAID (LUCAID) は、肺がんの精密診断のためのエージェントAIシステムである。 統合剤は、診断推論を9つのモジュールと結合する。 LUCAIDは、モジュール出力をインタラクティブにクエリし、結果をコンテキスト化するためのレポートを生成することができる。
  論文  参考訳（メタデータ） (2026-08-24T20:07:04Z)
• Bridging Accuracy and Interpretability: Deep Learning with XAI for Breast Cancer Detection [0.0]
  乳腺腫瘤のFNA(Digitalized Fine needle Aspirate)画像から抽出した定量的特徴を用いて,乳がん早期発見のための解釈可能なディープラーニングフレームワークを提案する。 私たちのディープニューラルネットワークは、ReLUアクティベーション、Adam視覚化、バイナリクロスエントロピー損失を使用して、最先端の分類性能を提供します。
  論文  参考訳（メタデータ） (2025-10-18T07:47:26Z)
• A Versatile Foundation Model for AI-enabled Mammogram Interpretation [36.48796962019666]
  VersaMammoは制限を克服するために設計されたマンモグラムの汎用基盤モデルである。 まず,教師モデルは自己教師型学習を用いて学習し,ラベルのないマンモグラムから伝達可能な特徴を抽出する。 そして、教師付き学習と知識蒸留を組み合わせることで、特徴と臨床知識の両方をVersaMammoに転送する。
  論文  参考訳（メタデータ） (2025-09-24T16:04:39Z)
• Development and validation of an AI foundation model for endoscopic diagnosis of esophagogastric junction adenocarcinoma: a cohort and deep learning study [33.84976409983329]
  食道接合腺癌 (EGJA) の早期発見は, 予後改善に重要であるが, 術者に依存している。 本稿では,内視鏡画像を用いたEGJAのスクリーニングとステージング診断のための人工知能基盤モデルの開発を初めて試みる。
  論文  参考訳（メタデータ） (2025-09-22T12:03:40Z)
• Cross-Attention Multimodal Fusion for Breast Cancer Diagnosis: Integrating Mammography and Clinical Data with Explainability [0.0]
  現在のコンピュータ支援システムはマンモグラムの特徴しか利用していない。 臨床的特徴は乳腺病変の分類を著しく向上させるか? 説明可能なAIアプローチは、乳がんの診断に使用されるモデルの解釈可能性と信頼性を改善するにはどうすればよいのか?
  論文  参考訳（メタデータ） (2025-08-21T23:23:06Z)
• A Large Model for Non-invasive and Personalized Management of Breast Cancer from Multiparametric MRI [19.252851972152957]
  我々は,多パラメータMRI情報を統一構造内に組み込んだMOME(Mixix-of-modality-experts Model)を開発した。 MOMEは乳がんの診断における4人の放射線科医の成績と一致し、中等放射線科医より優れている。
  論文  参考訳（メタデータ） (2024-08-08T05:04:13Z)
• Accelerating Clinical Evidence Synthesis with Large Language Models [28.002870749019035]
  本稿では,人間とAIのコラボレーションを促進するための生成人工知能パイプラインであるTrialMindを紹介する。 TrialMindは、検索、スクリーニング、データ抽出タスクを横断的に拡張する。 人間の専門家は、GPT-4よりもTrialMindの出力を62.5%から100%のケースで好んだ。
  論文  参考訳（メタデータ） (2024-06-25T17:41:52Z)
• Performance of externally validated machine learning models based on histopathology images for the diagnosis, classification, prognosis, or treatment outcome prediction in female breast cancer: A systematic review [0.5792122879054292]
  女性乳癌の診断、分類、予後、治療結果予測のための外部検証された機械学習モデル。 診断用MLモデル3例,分類用4例,予後用2例,予後用1例について検討した。 ほとんどの研究では畳み込みニューラルネットワークとロジスティック回帰アルゴリズムが使用されている。
  論文  参考訳（メタデータ） (2023-12-09T18:27:56Z)
• Meta-repository of screening mammography classifiers [35.24447276237306]
  マンモグラムのスクリーニングのためのディープラーニングモデルを含むメタリポジトリをリリースする。 当社のメタリポジトリには5つの最先端モデルとオープンソース実装が含まれています。 私たちは5つの国際データセットでそれらのパフォーマンスを比較します。
  論文  参考訳（メタデータ） (2021-08-10T17:39:26Z)

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。