論文の概要: Evaluating Multi-Task Morphological Concept Learning for Pulmonary Nodule Malignancy Assessment in 3D CT

• arxiv url: http://arxiv.org/abs/2609.38271v1
• Date: Tue, 29 Sep 2026 14:36:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:26.451602
• Title: Evaluating Multi-Task Morphological Concept Learning for Pulmonary Nodule Malignancy Assessment in 3D CT
• Title（参考訳）: 3次元CTにおける肺結節悪性度評価のためのマルチタスク形態学的概念学習の評価
• Abstract要約: 肺結節のCT(Computed tomography)評価において,Spiculationやlobulationなどの形態学的特徴は重要な役割を担っている 本研究は,放射線技師に付与された形態的特徴の学習と悪性度リスクが分類性能を向上させるかを検討する。
• 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: Morphological characteristics such as spiculation and lobulation play an important role in assessing pulmonary nodules on computed tomography (CT), particularly in relation to malignancy risk. This study examines whether learning radiologist-annotated morphological features together with malignancy risk from lesion-centred 3D CT volumes improves classification performance. The Lung Image Database Consortium and Image Database Resource Initiative (LIDC-IDRI) dataset was used, comprising 3,918 reader-level nodule annotations from 742 patients after excluding indeterminate malignancy ratings. Patient-level splitting was used for training, validation, and testing, with 112 patients and 628 reader annotations in the held-out test set. A single-task 3D convolutional neural network was compared with a multi-task model predicting malignancy risk, spiculation, and lobulation. The single-task model achieved a balanced accuracy of 0.548 and receiver operating characteristic area under the curve (ROC-AUC) of 0.552, while the multi-task model achieved 0.539 and 0.558, respectively. Patient-level bootstrap analysis showed an ROC-AUC difference of 0.005 (95% confidence interval (CI): -0.087 to 0.090) and a balanced-accuracy difference of -0.009 (95% CI: -0.067 to 0.043). The auxiliary tasks were strongly imbalanced and showed limited predictive performance. Overall, including morphological features did not clearly improve malignancy-risk classification, showing the importance of class balance, label formulation, and reader-level annotation structure in multi-task pulmonary CT analysis.
• Abstract（参考訳）: 肺結節をCT(Computed tomography)で評価する場合,特に悪性度との関連において,Spiculationやlobulationなどの形態学的特徴が重要な役割を担っている。 本研究は, 放射線技師が付加した形態的特徴の学習と, 病変中心の3次元CTボリュームからの悪性度リスクが, 分類性能を向上させるかを検討した。 Lung Image Database Consortium and Image Database Resource Initiative (LIDC-IDRI) データセットは, 診断不能な悪性度を除外し, 742例の読影レベルの結節アノテーション3,918例を含む。 患者レベルの分割はトレーニング,検証,テストに用いられ,患者112名,読影アノテーション628名に設定された。 単一タスクの3D畳み込みニューラルネットワークをマルチタスクモデルと比較し,悪性度リスク,スポーギュレーション,ロブレーションを予測した。 シングルタスクモデルは0.548のバランス精度と0.552の曲線(ROC-AUC)下での受信特性領域を達成し、マルチタスクモデルは0.539と0.558を達成した。 患者レベルのブートストラップ分析では,ROC-AUC差は0.005(95%信頼区間:-0.087～0.090),バランス精度差は-0.009(95%CI:-0.067～0.043)であった。 補助作業は極めて不均衡であり、予測性能は限られていた。 総じて, 形態学的特徴を含め, 悪性度リスク分類は明らかに改善せず, マルチタスク肺CT解析におけるクラスバランス, ラベルの定式化, 読影レベルアノテーション構造の重要性が示唆された。

関連論文リスト

• SAMI3D-DW: Interactive Segmentation of Any 3D Medical Images [41.76270845556824]
  SAMI3D-DWは、Deepwiseの大規模プロプライエタリな医療画像データセットに基づいてトレーニングされたインタラクティブな3Dセグメンテーションモデルである。 219のソースデータセットから4,326のケースからなるCT/MRベンチマークを用いて,ユーザインタラクションのシミュレーションによるモデルの評価を行った。 放射線医や臨床医にとって、SAMI3D-DWは、CT上の頭蓋内血管木やMR血管造影などの複雑な解剖学的構造を数クリックで分割することができる。
  論文  参考訳（メタデータ） (2026-09-22T06:25:11Z)
• A Sparse-Attention Deep Learning Model Integrating Heterogeneous Multimodal Features for Parkinson's Disease Severity Profiling [4.813020904720317]
  Class-Weighted Sparse-Attention Fusion Network (SAFN)は、堅牢なマルチモーダルプロファイリング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である。 SAFNは、MRI皮質厚み、MRI体積測定、臨床評価、人口統計学変数を統合している。 精度は0.98プラスまたは0.02、PR-AUCは1.00プラスまたは0.00で、確立された機械学習およびディープラーニングベースラインを上回っている。
  論文  参考訳（メタデータ） (2026-01-02T00:51:21Z)
• Transparent Early ICU Mortality Prediction with Clinical Transformer and Per-Case Modality Attribution [42.85462513661566]
  ICU滞在後48時間から, 生理的時系列測定と非構造的臨床記録とを融合した, 軽量で透明なマルチモーダルアンサンブルを提案する。 ロジスティック回帰モデルは、バイタル用双方向LSTMとノート用微調整された臨床ModernBERT変換器の2つのモード固有モデルからの予測を組み合わせる。 MIMIC-IIIベンチマークでは、遅延融合アンサンブルは、よく校正された予測を維持しながら、最高の単一モデルに対する差別を改善する。
  論文  参考訳（メタデータ） (2025-11-19T20:11:49Z)
• Deep Active Learning for Lung Disease Severity Classification from Chest X-rays: Learning with Less Data in the Presence of Class Imbalance [0.0]
  本研究は,2020年1月から11月にかけて,エモリー医療関連病院で963名の胸部X線検査を行った。 モンテカルロ・ドロップアウトを用いたディープニューラルネットワークは、能動的学習を用いて病気の重症度を分類して訓練された。 BNN近似と重み付き損失による深いアクティブラーニングは、ラベル付きデータ要求を効果的に削減する。
  論文  参考訳（メタデータ） (2025-08-28T23:29:56Z)
• 3D-Morphomics, Morphological Features on CT scans for lung nodule malignancy diagnosis [8.728543774561405]
  本研究はCTボリュームにおける形態学的特徴(3次元形態学)に基づく病理状態の予測モデルを構築した。 その後、XGBoost教師付き分類器が3次元形態学で訓練され、病理状態を予測する。 肺結節の悪性度と良性度との分類モデルでは, 3D-morphomicsのみを用いて0.964のAUCが得られる。
  論文  参考訳（メタデータ） (2022-07-27T23:50:47Z)
• Systematic Clinical Evaluation of A Deep Learning Method for Medical Image Segmentation: Radiosurgery Application [48.89674088331313]
  3次元医用画像分割作業において,Deep Learning (DL) 手法を体系的に評価した。 本手法は放射線外科治療プロセスに統合され,臨床ワークフローに直接影響を及ぼす。
  論文  参考訳（メタデータ） (2021-08-21T16:15:40Z)
• Rapid quantification of COVID-19 pneumonia burden from computed tomography with convolutional LSTM networks [1.0072268949897432]
  新型肺炎における肺病変の迅速定量と分化のための新しい完全自動化ディープラーニングフレームワークを提案する。 SARS-CoV-2の陽性逆転写ポリメラーゼ連鎖反応試験結果を有する197例のCTデータセット上で,この方法の性能を評価した。
  論文  参考訳（メタデータ） (2021-03-31T22:09:14Z)
• Deep Learning to Quantify Pulmonary Edema in Chest Radiographs [7.121765928263759]
  肺浮腫の重症度を胸部X線写真で分類する機械学習モデルを開発した。 深層学習モデルは、大きな胸部X線写真データセットで訓練された。
  論文  参考訳（メタデータ） (2020-08-13T15:45:44Z)
• Severity Assessment of Coronavirus Disease 2019 (COVID-19) Using Quantitative Features from Chest CT Images [54.919022945740515]
  本研究の目的は,胸部CT画像に基づく新型コロナウイルスの重症度自動評価(非重症度または重症度)を実現することである。 ランダム・フォレスト(RF)モデルは、量的特徴に基づいて重症度(非重症度または重症度)を評価するために訓練される。 新型コロナウイルスの重症度を反映する可能性のあるいくつかの定量的特徴が明らかになった。
  論文  参考訳（メタデータ） (2020-03-26T15:49:32Z)
• Lung Infection Quantification of COVID-19 in CT Images with Deep Learning [41.35413216175024]
  深層学習システムは、関心のある感染症領域を自動的に定量化するために開発された。 感染領域分割のための放射線科医を支援するためのループ内ヒト戦略
  論文  参考訳（メタデータ） (2020-03-10T11:58:40Z)

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。