論文の概要: Disentangling Lung-Cancer CT/LDCT AI: A Systematic Evidence Map of Clinical Tasks, Evidence Chains, and Translational Gaps

• arxiv url: http://arxiv.org/abs/2609.35240v1
• Date: Mon, 28 Sep 2026 14:14:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-02 07:17:02.491387
• Title: Disentangling Lung-Cancer CT/LDCT AI: A Systematic Evidence Map of Clinical Tasks, Evidence Chains, and Translational Gaps
• Title（参考訳）: 肺シンサーCT/LDCTAI : 臨床的課題, エビデンスチェーン, 翻訳ギャップの体系的エビデンスマップ
• Abstract要約: 肺がんに対するCT(Computed Tomography)を用いた人工知能研究はしばしば「予測」と呼ばれる。 5- database search, full-text eligibility Assessment, role-aware modality/omics extract, and a Multi-Tier Evidence Graph (MTEG) を用いたCT/低用量CT(LDCT)中心肺がんAIの体系的マッピングを行った。 文献は検出が支配されており、真の将来的なリスク予測は珍しく、完全な翻訳エビデンス連鎖は稀である。
• 参考スコア（独自算出の注目度）: 4.1457422356798155
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Artificial-intelligence studies using computed tomography (CT) for lung cancer are often broadly labelled "prediction" despite addressing clinically distinct tasks. We systematically mapped CT/low-dose CT (LDCT)-centered lung-cancer AI using five-database retrieval, full-text eligibility assessment, role-aware modality/omics extraction, clinical-task classification, and a Multi-Tier Evidence Graph (MTEG). The final corpus comprised 293 studies (2016-2026): 230 Detection, 8 future Risk-prediction, and 55 Other studies. Clinical variables (96.2%), 3D CT/LDCT (73.0%), and radiomics (63.5%) predominated, whereas external validation (29.0%), calibration (20.5%), decision-curve analysis (13.0%), longitudinal CT (17.7%), and saliency/attribution XAI (21.5%) were less frequent. The MTEG comprised 377 nodes and 3,444 edges; only 31 studies (10.6%) completed the six-tier substantive evidence chain, with greatest attrition at reasoning/explanation. Overall, the literature is detection-dominated, genuine future risk prediction remains uncommon, and complete translational evidence chains are rare.
• Abstract（参考訳）: 肺がんに対するCT(Computed Tomography)を用いた人工知能研究は、臨床的に異なる課題に対処するにもかかわらず、広く「予測」とラベル付けされることが多い。 我々は,CT/低用量CT(LDCT)中心の肺がんAIを5つのデータベース検索,全文適応性評価,ロール・アウェア・モダリティ/オミクス抽出,臨床タスク分類,マルチティア・エビデンスグラフ(MTEG)を用いて体系的にマッピングした。 最終コーパスは293の研究(2016-2026)、230の検知、8の将来のリスク予測、55の他の研究で構成された。 臨床変数 (96.2%), 3D CT/LDCT (73.0%), 放射能 (63.5%), 外的検証 (29.0%), 校正 (20.5%), 意思決定曲線解析 (13.0%), 縦CT (17.7%), 塩分濃度/属性XAI (21.5%) は少ない。 MTEGは377のノードと3,444のエッジで構成され、31の研究(10.6%)のみが6階層の実体的エビデンスチェーンを完成させた。 全体として、文献は検出が支配されており、真の将来的なリスク予測は珍しく、完全な翻訳エビデンス連鎖は稀である。

関連論文リスト

• TriALS: Triphasic-Aided Liver Lesion Segmentation Benchmark in Non-Contrast CT [49.93685997940356]
  コントラスト制限条件下での肝病変の自動分節に対するTriALSの課題について述べる。 最高性能は平均静脈圧0.754で, NCCTでは0.57に低下した。 アルゴリズムの性能は、トレーニングデータスケールと事前学習戦略によって最も強く予測された。
  論文  参考訳（メタデータ） (2026-05-15T19:23:35Z)
• Non-Contrast CT Esophageal Varices Grading through Clinical Prior-Enhanced Multi-Organ Analysis [21.72960759847733]
  食道静脈瘤 (EV) は門脈圧亢進症の重要な合併症であり, 約60%の肝硬変患者の30%の出血リスクに影響を及ぼす。 NCCTスキャンの包括的解析によりEV評価を向上させる新しいマルチモーダルフレームワークであるMOON++を提案する。
  論文  参考訳（メタデータ） (2025-12-22T14:17:35Z)
• Neural Discrete Representation Learning for Sparse-View CBCT Reconstruction: From Algorithm Design to Prospective Multicenter Clinical Evaluation [64.42236775544579]
  コーンビームCT(CBCT)ガイド下穿刺は胸部腫瘍の診断・治療に確立されたアプローチとなっている。 DeepPriorCBCTは3段階のディープラーニングフレームワークであり、従来の放射線線量の6分の1しか使用せずに診断段階の再構築を実現する。
  論文  参考訳（メタデータ） (2025-11-30T12:45:02Z)
• Imaging-Based Mortality Prediction in Patients with Systemic Sclerosis [50.46938276133494]
  全身性硬化症(SSc)における間質性肺疾患(ILD)の死因 本研究は,放射能と深層学習を利用して死亡率を予測する,新しい大規模胸部CT解析フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-09-27T23:46:57Z)
• Multi-modal AI for comprehensive breast cancer prognostication [18.691704371847855]
  我々は、デジタル病理と臨床データを統合する新しい人工知能(AI)ベースのアプローチを開発した。 この検査は15のコホートで計8,161人の乳がん患者のデータを用いて開発・評価された。 以上の結果から,我々のAIテストは既存の予後検査の精度を改善しつつ,幅広い患者に適用可能であることが示唆された。
  論文  参考訳（メタデータ） (2024-10-28T17:54:29Z)
• Artificial Intelligence-Based Opportunistic Coronary Calcium Screening in the Veterans Affairs National Healthcare System [0.8655790044415911]
  冠動脈カルシウム (CAC) は心血管イベントの予測に有用である。 CACを非コントラスト非ゲートCTスキャンで定量化するディープラーニングアルゴリズムを開発した。 非ゲート型AI-CACは10年間の死亡率の予測であった。
  論文  参考訳（メタデータ） (2024-09-16T03:59:01Z)
• Detection of subclinical atherosclerosis by image-based deep learning on chest x-ray [86.38767955626179]
  460胸部X線で冠状動脈カルシウム(CAC)スコアを予測する深層学習アルゴリズムを開発した。 AICACモデルの診断精度は, 曲線下領域(AUC)で評価された。
  論文  参考訳（メタデータ） (2024-03-27T16:56:14Z)
• M3Lung-Sys: A Deep Learning System for Multi-Class Lung Pneumonia Screening from CT Imaging [85.00066186644466]
  マルチタスク型マルチスライス深層学習システム(M3Lung-Sys)を提案する。 COVID-19とHealthy, H1N1, CAPとの鑑別に加えて, M3 Lung-Sysも関連病変の部位を特定できる。
  論文  参考訳（メタデータ） (2020-10-07T06:22:24Z)
• Joint Prediction and Time Estimation of COVID-19 Developing Severe Symptoms using Chest CT Scan [49.209225484926634]
  術後に重篤な症状を発症するかどうかを判定するための共同分類法と回帰法を提案する。 提案手法は,各試料の重量を考慮し,外乱の影響を低減し,不均衡な分類の問題を検討する。 提案手法では, 重症症例の予測精度76.97%, 相関係数0.524, 変換時間0.55日差が得られた。
  論文  参考訳（メタデータ） (2020-05-07T12:16:37Z)

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。