論文の概要: Deep Learning for Longitudinal Medical Imaging: A Scoping Review

• arxiv url: http://arxiv.org/abs/2610.08838v1
• Date: Tue, 29 Sep 2026 20:14:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-09 07:15:05.746983
• Title: Deep Learning for Longitudinal Medical Imaging: A Scoping Review
• Title（参考訳）: 縦断的医用イメージングのための深層学習 : スコープによる検討
• Abstract要約: 臨床関連性が高いことから, 縦断画像解析への関心が高まっている。 近年のイノベーションは、マルチポイント画像評価の新しい時代へと繋がる可能性がある。 神経疾患 (48%) と眼科疾患 (12%) が最も一般的な臨床応用例であった。
• 参考スコア（独自算出の注目度）: 0.8112336461568616
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Longitudinal medical imaging analysis is a cornerstone of modern medical practice and patient care. Deep learning applied to longitudinal imaging offers wide potential to enhance diagnosis and track disease progression by capturing spatial changes over time. With major advances in single-timepoint deep learning for imaging, there has been growing interest in longitudinal image analysis, given its increased clinical relevance, though technical challenges remain. Several recent innovations may lead to a new era of multi-timepoint image evaluation, yet the scientific landscape, recent progress, and areas of need remain under-characterized. To address this gap, we conducted a scoping review of deep learning methodologies applied to longitudinal medical imaging, yielding 102 studies published between 2018 and 2025. Neurological disorders (48%) and ophthalmic conditions (12%) were the most common clinical applications, with MRI serving as the predominant imaging modality (67%). Sequential feature modeling approaches combining convolutional neural networks (CNNs) with temporal models (LSTM/RNN) were the most frequent methodology (40%), followed by direct feature aggregation across timepoints (23%). Most studies targeted classification tasks (56%), while external validation was performed in only 24% of studies. Our findings highlight that deep learning-based longitudinal imaging analysis remains a promising field, though newer temporal architectures and larger datasets may improve success and clinical adoption of these tools.
• Abstract（参考訳）: 縦断的医用画像解析は近代医療と患者医療の基盤となっている。 縦断画像に応用された深層学習は、時間とともに空間的変化を捉え、診断と疾患の進行を追跡する幅広い可能性を提供する。 単点画像の深層学習の進歩に伴い、臨床関連性の向上から縦断画像解析への関心が高まっているが、技術的な課題は残る。 近年のいくつかの革新は、マルチポイント画像評価の新しい時代へと繋がるかもしれないが、科学の展望、最近の進歩、必要領域は、まだ未成熟のままである。 このギャップに対処するため,縦断的医用画像に応用した深層学習手法のスコーピング検討を行い,2018年から2025年の間に102件の研究結果を得た。 神経疾患 (48%) と眼科疾患 (12%) は最も一般的な臨床応用であり, MRI は画像モダリティ (67%) の主流であった。 畳み込みニューラルネットワーク(CNN)と時間モデル(LSTM/RNN)を組み合わせた逐次的特徴モデリングアプローチは、最も頻繁な方法論(40%)であり、その後、タイムポイント間での直接的特徴集約(23%)が続いた。 ほとんどの研究は分類タスク(56%)を対象とし、外部検証はわずか24%に過ぎなかった。 より新しい時間的アーキテクチャとより大きなデータセットにより,これらのツールの成功と臨床応用が向上する可能性が示唆された。

関連論文リスト

• Towards a general-purpose foundation model for fMRI analysis [58.06455456423138]
  我々は,4次元fMRIボリュームから学習し,多様なアプリケーション間で効率的な知識伝達を可能にするフレームワークであるNeuroSTORMを紹介する。 NeuroSTORMは、複数のセンターにまたがる5万人以上の被験者から5歳から100歳までの28.65万fMRIフレーム(→9000時間)で事前トレーニングされている。 年齢/性別予測、表現型予測、疾患診断、fMRI-to-image検索、タスクベースのfMRIの5つのタスクにおいて、既存の手法よりも優れています。
  論文  参考訳（メタデータ） (2025-06-11T23:51:01Z)
• Multimodal Deep Learning for Stroke Prediction and Detection using Retinal Imaging and Clinical Data [0.7322887425853788]
  本研究は、脳卒中検出とリスク予測に網膜画像と臨床データを活用することの影響について検討する。 光コヒーレンス・トモグラフィ(OCT)と赤外反射性網膜スキャンを処理するマルチモーダルディープニューラルネットワークを提案する。 実験により,急性脳梗塞に伴う網膜の持続的影響の検出において,考慮すべきモダリティの予測能力が確立された。
  論文  参考訳（メタデータ） (2025-05-05T14:22:58Z)
• A novel approach towards the classification of Bone Fracture from Musculoskeletal Radiography images using Attention Based Transfer Learning [0.0]
  我々は,X線スキャンで骨骨折を検出するために,注意に基づく移動学習モデルを構築した。 本モデルでは, フラクチャー分類の90%以上を最先端の精度で達成する。
  論文  参考訳（メタデータ） (2024-10-18T19:07:24Z)
• Deep Learning Applications in Medical Image Analysis: Advancements, Challenges, and Future Directions [0.0]
  人工知能のサブセットであるディープラーニングの最近の進歩は、医療画像の分析に大きな革命をもたらした。 CNNは多次元医用画像から自律的に学習する能力に顕著な能力を示した。 これらのモデルは、病理学、放射線学、眼科、心臓学など、様々な医学分野に利用されてきた。
  論文  参考訳（メタデータ） (2024-10-18T02:57:14Z)
• Harnessing the power of longitudinal medical imaging for eye disease prognosis using Transformer-based sequence modeling [49.52787013516891]
  今回提案した Longitudinal Transformer for Survival Analysis (LTSA, Longitudinal Transformer for Survival Analysis, LTSA) は, 縦断的医用画像から動的疾患の予後を予測できる。 時間的注意分析により、最新の画像は典型的には最も影響力のあるものであるが、以前の画像は追加の予後に価値があることが示唆された。
  論文  参考訳（メタデータ） (2024-05-14T17:15:28Z)
• Data and Physics Driven Learning Models for Fast MRI -- Fundamentals and Methodologies from CNN, GAN to Attention and Transformers [72.047680167969]
  本稿では,畳み込みニューラルネットワークや生成的敵ネットワークに基づく手法を含む,高速MRIのためのディープラーニングに基づくデータ駆動手法を紹介する。 MRI加速のための物理とデータ駆動モデルの結合に関する研究について詳述する。 最後に, 臨床応用について紹介し, マルチセンター・マルチスキャナー研究における高速MRI技術におけるデータ調和の重要性と説明可能なモデルについて述べる。
  論文  参考訳（メタデータ） (2022-04-01T22:48:08Z)
• Trends in deep learning for medical hyperspectral image analysis [2.2404871878551353]
  本稿では,現在ディープラーニングを用いて医療用ハイパースペクトル画像の効果的な分析を行う出版物について検討する。 本研究は, 医用ハイパースペクトル画像解析のための分類, 分別, 検出における深層学習の活用を概観するものである。
  論文  参考訳（メタデータ） (2020-11-27T19:42:06Z)
• Explaining Clinical Decision Support Systems in Medical Imaging using Cycle-Consistent Activation Maximization [112.2628296775395]
  ディープニューラルネットワークを用いた臨床意思決定支援は、着実に関心が高まりつつあるトピックとなっている。 臨床医は、その根底にある意思決定プロセスが不透明で理解しにくいため、この技術の採用をためらうことが多い。 そこで我々は,より小さなデータセットであっても,分類器決定の高品質な可視化を生成するCycleGANアクティベーションに基づく,新たな意思決定手法を提案する。
  論文  参考訳（メタデータ） (2020-10-09T14:39:27Z)
• A Global Benchmark of Algorithms for Segmenting Late Gadolinium-Enhanced Cardiac Magnetic Resonance Imaging [90.29017019187282]
  現在世界最大の心臓LGE-MRIデータセットである154個の3D LGE-MRIを用いた「2018 left Atrium Challenge」。 技術および生物学的指標を用いた提案アルゴリズムの解析を行った。 その結果, 最上部法は93.2%, 平均表面は0.7mmであった。
  論文  参考訳（メタデータ） (2020-04-26T08:49:17Z)

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。