論文の概要: QureRadEmbed: Structuring Radiological Similarity through Attribute and Reasoning Supervision

• arxiv url: http://arxiv.org/abs/2609.33075v1
• Date: Sun, 27 Sep 2026 01:14:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 10:46:54.741882
• Title: QureRadEmbed: Structuring Radiological Similarity through Attribute and Reasoning Supervision
• Title（参考訳）: QureRadEmbed:AtributeとReasoning Supervisionによる放射線学的類似性の構築
• Abstract要約: QureRadEmbedは2つの補完信号で訓練された4Bラジオロジー対応エンコーダである。 3段階のカリキュラムは、これらの信号をレポート三重奏と組み合わせ、摂動を見つけ、シングルアトリビュートとクロスアトリビュートコントラストを見つける。 その結果、検索、構造化されたレポートインデックス作成、効率的なレポート比較のための再利用可能なラジオロジー対応評価器表現をサポートした。
• 参考スコア（独自算出の注目度）: 1.1724769062540956
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Radiological similarity depends on disease relationships and on fine details such as laterality, lobe, severity, size, and certainty. Broad biomedical similarity can overlook these qualifiers, particularly when several attributes vary together. We introduce QureRadEmbed, a 4B radiology-aware encoder trained with two complementary signals: RadSim supplies deterministic, attribute-decomposed ranking targets, while RadThought aligns reports with hierarchical evidence and reasoning descriptions. A three-stage curriculum combines these signals with report triplets, finding perturbations, and single- and cross-attribute contrasts. The final model achieves 0.996 mean ordering accuracy across ten controlled synthetic attributes and raises Spearman correlation with the designed joint-attribute targets from 0.501 to 0.976. On external findings-to-impression retrieval, Recall@1 reaches 10.5% on Open-I, 12.4% on testing XR, and 42.9% on testing CT, compared with 6.6%, 5.7%, and 31.4% for its backbone. Frozen embeddings support finding extraction with only 100 labeled testing-XR reports (macro-F1 0.481 versus 0.412 for the backbone). Whole-report comparison costs 8.8 seconds per 1,000 pairs in our benchmark, versus 2,755.1 seconds for the generative evaluator GREEN. Sentence-level comparison improves sensitivity to local discrepancies, although generative evaluation remains stronger on several expert-rated and subtle-error tasks. The results support reusable radiology-aware representations for search, structured report indexing, and efficient report comparison.
• Abstract（参考訳）: 放射線学的類似性は、病気の関係や、後天性、葉、重度、サイズ、確実性といった細部に依存する。 幅広い生物医学的類似性は、これらの修飾子を見渡すことができ、特にいくつかの属性が一緒に異なる場合である。 RadSimは決定論的で属性を分解したランク付けターゲットを提供するが、RadThoughtは階層的な証拠と推論記述でレポートを調整する。 3段階のカリキュラムは、これらの信号をレポート三重奏と組み合わせ、摂動を見つけ、シングルアトリビュートとクロスアトリビュートコントラストを見つける。 最終モデルは10個の制御された合成属性の平均順序精度0.996を達成し、設計された共同属性目標とのスピアマン相関を0.501から0.976に引き上げる。 外部からの発見と印象の検索では、Recall@1はOpen-Iで10.5%、XRで12.4%、CTで42.9%、背骨で6.6%、5.7%、31.4%に達する。 凍結埋め込みは100のラベル付きテストXRレポート(macro-F1 0.481 対 背骨 0.412 )で抽出するのをサポートする。 総報告比較は1,000対あたり8.8秒、生成評価器GREENは2,755.1秒である。 文レベルの比較は、局所的な不一致に対する感度を向上させるが、生成的評価は、専門家が評価したいくつかの微妙なエラータスクにおいて強いままである。 その結果、検索、構造化されたレポートインデックス作成、効率的なレポート比較のための再利用可能な放射線学対応表現がサポートされた。

関連論文リスト

• Can Jev Judge Radiology Reports? Evaluating a System One Model for Clinical Factuality [26.34890676985583]
  Jevは、医師が記述した参考報告書と合意する、シンプルで低コストな審査員である。 RadEvalXでは0.573、RadEvalExpertでは0.398、専門家のエラー数では0.398となる。 1文につき1つのサポート質問は、43-45%少ない判定入力トークンを使用しながら、同様の専門家合意を7に維持する。
  論文  参考訳（メタデータ） (2026-09-23T09:26:46Z)
• Not All Relations Are Equal: Relation-Balanced and Calibrated Graph Learning for Provenance-Based Intrusion Detection [69.06648810271712]
  本稿では,関係バランスの取れたグラフ学習を用いた教師なしフレームワークRECALについて述べる。 3つのDARPA E3データセットにおいて、RECALはF1スコアの99.99%、99.93%、99.99%を達成し、各データセットでそれぞれ0.88、0.82、0.42で最高のベースラインを上回っている。
  論文  参考訳（メタデータ） (2026-09-15T00:31:01Z)
• Cross-dataset transportability of pediatric chest X-ray deep learning across three countries: discrimination, calibration, operating-point failure, and limited-label recovery [0.0]
  小児肺炎分類において, 識別, 確率校正, 固定操作点輸送, 限定ラベル回復性を別々に検証する計算プロトコルについて検討した。 国間でのデータセット間のシフトは、ランク付け、確率アライメント、ソース定義決定行動に異なる影響を及ぼした。
  論文  参考訳（メタデータ） (2026-09-04T13:39:48Z)
• Auditable agentic AI for evidence-grounded thyroid ultrasound diagnosis and reporting [59.709162055944915]
  ThyroidXAgentは、特殊な診断ツールをコーディネートし、その出力を監査可能なケースレベルの証拠記録として保存するエージェントAIシステムである。 NHC-MISD-TUSコホート内35施設8,721件を含む,重複しない28,458件の検査を行った。 セグメンテーションでは平均Diceスコアが87.21パーセント、良悪性分類では平均AUROCが0.9466だった。
  論文  参考訳（メタデータ） (2026-08-12T21:02:59Z)
• Prospective clinical indication, post-hoc report leakage, and fusion design in multi-image chest radiograph classification: a patient-clustered evaluation [0.5156484100374059]
  画像のみ、表示のみ、固定順序マルチモーダル、ランダムスワップ、DeepSets、セクションガードMIモデルを比較した。 予測表示は、レポート由来の目標と強く結びついており、置換認識融合は競争的であり、ポストホックレポートテキストは、レポートラベルの実質的な円形を生成する。
  論文  参考訳（メタデータ） (2026-07-15T13:08:09Z)
• RadSEM: A Finding-by-Finding Metric for Clinical Consistency in Radiology Reports [11.68664519234462]
  RadSEMは参照を書き直し、順序付けられた原子探索文にレポートを生成する。 その後、矛盾制約付き多対多マッチングを実行する。 決定論的段階は、部分的および異常な詳細関係でペアを重み付けし、未一致の結果を数え、異常に焦点を絞ったF1スコアを生成する。
  論文  参考訳（メタデータ） (2026-06-03T13:59:42Z)
• 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)
• Chest x-ray automated triage: a semiologic approach designed for clinical implementation, exploiting different types of labels through a combination of four Deep Learning architectures [83.48996461770017]
  本研究では,異なる畳み込みアーキテクチャの後期融合に基づく深層学習手法を提案する。 公開胸部x線画像と機関アーカイブを組み合わせたトレーニングデータセットを4つ構築した。 4つの異なるディープラーニングアーキテクチャをトレーニングし、それらのアウトプットとレイトフュージョン戦略を組み合わせることで、統一されたツールを得ました。
  論文  参考訳（メタデータ） (2020-12-23T14:38:35Z)

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。