論文の概要: Evidence-Bound Reasoning: Neuro-Semantic Verification of Biomedical AI in Glioblastoma Radiogenomics

• arxiv url: http://arxiv.org/abs/2610.08660v1
• Date: Tue, 06 Oct 2026 16:44:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:30.126982
• Title: Evidence-Bound Reasoning: Neuro-Semantic Verification of Biomedical AI in Glioblastoma Radiogenomics
• Title（参考訳）: Evidence-Bound Reasoning:Glioblastoma RadiogenomicsにおけるバイオメディカルAIの神経意味的検証
• Abstract要約: 我々は,放射能測定を対処可能なエビデンス記録やマシンチェック可能なクレームに変換する神経意味検証フレームワークを開発した。 我々は, クロスコホート輸送性, モデルリンク証明, 決定論的検証, 予測劣化制御, LLMクレーム抽出パイロットについて検討した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Background: Biomedical AI can generate plausible explanations without reliably verifying whether each statement is supported by patient-specific evidence. We developed a neuro-semantic verification framework that converts radiomic measurements into addressable evidence records and machine-checkable claims. Methods: UPenn-GBM radiomics were aligned with de novo CaPTk extraction from standardized MRI and expert-validated segmentations in an independent multicenter cohort. The shared space comprised 1,728 features from T1, T1GD, T2, and FLAIR MRI across three tumor regions. Reference-defined semantic states were derived from 611 UPenn cases. We evaluated cross-cohort transportability, model-linked provenance, deterministic verification, controlled predictive degradation, and an LLM claim-extraction pilot; MGMT prediction served only as a transport stress test. Results: Median semantic-state agreement was 0.786 (weighted kappa 0.709), ranging from 0.918 for morphologic to 0.252 for intensity features. The external evidence ledger contained 1,655 model-linked records for 331 patients. The verifier achieved 100% exact-set accuracy in a 6,620-claim corruption benchmark. In a 24-case pilot, GPT-5.6 Sol reproduced 72/72 prespecified atomic claims, and the frozen verifier recovered 24/24 expected conditions. During controlled degradation, ROC AUC declined from 0.899 to 0.500 while verification accuracy remained 1.000. External MGMT discrimination was weak (ROC AUC 0.543). Conclusions: Verifiability can be engineered and evaluated independently of predictive performance. LLMs may structure explanations, while final evidence-consistency checking remains deterministic.
• Abstract（参考訳）: 背景: バイオメディカルAIは、患者固有の証拠によってそれぞれの声明が支持されているかどうかを確実に検証することなく、もっともらしい説明を生成することができる。 我々は,放射能測定を対処可能なエビデンス記録やマシンチェック可能なクレームに変換する神経意味検証フレームワークを開発した。 方法: UPenn-GBM 放射能は, 標準MRIからの de novo CaPTk 抽出と, 独立多施設コホートにおけるエキスパート価セグメンテーションに一致した。 共有領域はT1,T1GD,T2,FLAIRMRIから3つの腫瘍領域に1,728の特徴を有していた。 基準定義のセマンティックステートは611 UPennのケースから派生した。 我々は, クロスコホート輸送性, モデルリンク証明, 決定論的検証, 制御された予測劣化, およびLCMクレーム抽出パイロットを評価し, MGMT予測は輸送ストレス試験としてのみ有効であった。 結果: 中間的セマンティックステート契約は0.786 (重み付きカッパ0.709) であり, モルフォロジーは0.918, 強度は0.252であった。 外部証拠帳には331人のモデルリンク記録が1,655件含まれていた。 検証は6,620文の汚職ベンチマークで100%正確なセット精度を達成した。 24ケースのパイロットで、GPT-5.6 ソルは72/72の原子クレームを再現し、冷凍検証装置は24/24の予測条件を回復した。 制御された劣化の間、ROC AUCは0.899から0.500に低下し、検証精度は1.000に留まった。 MGMTの差別は弱い(ROC AUC 0.543)。 結論: 検証可能性は、予測性能とは独立して設計および評価することができる。 LLMは説明を構造化するが、最終的な証拠整合性チェックは決定論的のままである。

関連論文リスト

• MIRTO: a registration-gated, multiverse-tested evaluation protocol for unsupervised anomaly segmentation in brain MRI [0.0]
  選択を明示し,その効果を測定する評価プロトコルであるMIRTOを提案する。 MIRTOは、登録チェックとラベルなしの既知のパワー診断との全ての比較の幾何学をゲートする。 15,552個の補正可能な評価パイプラインをそれぞれ比較し、多重度制御によるペアリングされた対象-ブートストラップ間隔を付加する。
  論文  参考訳（メタデータ） (2026-10-01T17:44:22Z)
• A cross-modal generative model for incomplete and degraded prostate MRI with multicentre clinical validation [48.14053205497089]
  MSCNetは、入手できないコントラストを再構築し、劣化したコントラストを復元するためのシーケンス条件のクロスモーダル生成フレームワークである。 画像の画質は、DWI, ADC, T2Wの既定不等式基準を満たしたが、T1Wは満たされなかった。
  論文  参考訳（メタデータ） (2026-08-17T08:11:25Z)
• RareLens: Towards End-to-End Rare Disease Care via Aligning Divergent Large Language Model Reasoning [42.80742579670377]
  RareLensは、まれな疾患の軌跡全体にわたる臨床的意思決定を支援するシステムである。 RareBenchは、33のOrphanetカテゴリと7000以上の条件にまたがる157,525件の実際のデータセットである。 検診で0.917、診断と治療で65.5%、89.8%の成績を収めた。
  論文  参考訳（メタデータ） (2026-07-25T16:58:10Z)
• Monte Carlo Dropout Uncertainty and Entropy-Thresholded Selective Prediction for Architecture-Agnostic Brain Tumor MRI Triage [0.0]
  本研究は4クラス脳腫瘍MRIのための不確実性第一パイプラインを提案する。 モンテカルロ (MC) による T = 20 パス上のドロップアウトからの予測の不確実性を読み出し、その結果のエントロピーを、不確実なケースを放射線学者に延期する明示的な規則に変換する。
  論文  参考訳（メタデータ） (2026-07-15T06:21:17Z)
• AutoIQ: An Ensemble Framework for Automatic Assessment of Geometric Distortion in Prostate Diffusion-Weighted Imaging [39.60379134041974]
  幾何学的歪み重大度の自動および定量化のためのアンサンブル機械学習フレームワークであるAutoIQを提案する。 計140回の振り返りMRI検査を行い,33回のCT検査を行った。 AutoIQは、前立腺DWIの自動化された定量的品質評価を提供し、再取得を必要とするスキャンを特定するのに役立つ。
  論文  参考訳（メタデータ） (2026-05-29T22:19:56Z)
• Annotation-free deep learning for detection and segmentation of fetal germinal matrix-intraventricular hemorrhage in brain MRI [35.75434967398725]
  出生前胚性マトリックス-心室性出血(GMH-IVH)は乳児の死亡と神経発達障害の原因である。 ディープラーニングモデルは自動化の可能性を秘めているが、通常は大きな注釈付きデータセットを必要とする。 FreeHemoSegは、通常の胎児データから合成された擬似GMH-IVH画像を用いて開発、訓練された。
  論文  参考訳（メタデータ） (2026-05-10T14:39:30Z)
• SGC-RML: A reliable and interpretable longitudinal assessment for PD in real-world DNS [2.4463990533701896]
  本稿では,SGC-RMLを用いて,音声,歩行,ウェアラブル運動,移動作業,臨床変数を共有8次元症状ノード空間にマッピングする。 不確実性推定、共形校正、選択的な決定経路を共同で導入することにより、モデルは症状や重症度を予測するだけでなく、証拠が不十分な場合に評価を拒否したり、再検査を提案することもできる。
  論文  参考訳（メタデータ） (2026-05-08T12:10:08Z)
• Agentic retrieval-augmented reasoning reshapes collective reliability under model variability in radiology question answering [1.295312759062166]
  エージェント検索強化推論パイプラインは、より大きな言語モデルが臨床決定支援に外部証拠を組み込むかを構築するために、ますます使用されている。 これらのシステムは、計算済みのドメイン知識を反復的に検索し、回答の選択の前に構造化されたレポートに合成する。 このようなパイプラインはパフォーマンスを向上させることができるが、モデルの可変性の下での信頼性への影響は、まだ不明である。
  論文  参考訳（メタデータ） (2026-03-06T13:31:54Z)
• 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)
• Modeling T1 Resting-State MRI Variants Using Convolutional Neural Networks in Diagnosis of OCD [0.0]
  強迫性障害(OCD: Obsessive-compulsive disorder)は、高度に不安定な障害である。 OCDは前頭前皮質とメタボトロピックグルタミン酸受容体5(mGluR5)と共通する 計算モデリング手法はmGluR5を含む過去の仮説の検証手段として用いられた。
  論文  参考訳（メタデータ） (2023-06-15T12:02:57Z)
• StRegA: Unsupervised Anomaly Detection in Brain MRIs using a Compact Context-encoding Variational Autoencoder [48.2010192865749]
  教師なし異常検出(UAD)は、健康な被験者の異常なデータセットからデータ分布を学習し、分布サンプルの抽出に応用することができる。 本研究では,コンテクストエンコーディング(context-encoding)VAE(ceVAE)モデルのコンパクトバージョンと,前処理と後処理のステップを組み合わせて,UADパイプライン(StRegA)を作成することを提案する。 提案したパイプラインは、BraTSデータセットのT2w画像と0.859$pm$0.112の腫瘍を検出しながら、Diceスコアが0.642$pm$0.101に達した。
  論文  参考訳（メタデータ） (2022-01-31T14:27:35Z)

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。