論文の概要: CAPTOR: a vision-language foundation model for Chest-Abdomen-Pelvis Oncologic CT

• arxiv url: http://arxiv.org/abs/2610.14226v1
• Date: Fri, 09 Oct 2026 18:39:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.023892
• Title: CAPTOR: a vision-language foundation model for Chest-Abdomen-Pelvis Oncologic CT
• Title（参考訳）: CAPTOR:Chest-Abdomen-Pelvis Oncological CTのための視覚言語基礎モデル
• Abstract要約: 我々は,腫瘍性胸腔鏡(CAP)CTの解釈のための視覚提示基盤モデルを開発し,評価した。 AUC 0.767, 95%CI: 0.734-0.793, vs. 0.695, 95%CI: 0.645-0.736) 腫瘍学に富んだCAPCTデータに基づいて訓練された基礎モデルは、対象臨床コンテキストにおける関連する最先端モデルよりも優れていた。
• 参考スコア（独自算出の注目度）: 33.82588336753218
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Purpose : To develop and evaluate CAPTOR, a deep-learning vision-language foundation model for oncologic chest-abdomen-pelvis (CAP) CT interpretation. Materials & Methods : CAPTOR (Chest-Abdomen-Pelvis foundaTion model for Oncologic Radiology) is a contrastive vision-language model, trained using a pretraining strategy for oncologic CAP CT (in single- or multiple-series acquisitions), on a multicenter retrospective dataset from North America, Europe and Asia, predominantly from tumor lesion examinations. CAPTOR was compared with state-of-the-art CT foundation models on three downstream tasks: disease detection, survival prediction using TumorImagingBench and image retrieval. Classification and retrieval were both evaluated on held-out internal and public test sets, stratified by anatomical coverage and indication. Bootstrap resampling was used to estimate confidence intervals, and pairwise comparisons were performed using permutation tests. Results : CAPTOR was trained and tested on 25,512 and 10,794 CT-report pairs respectively. TumorImagingBench datasets comprised between 134 and 421 studies each. CAPTOR outperformed all baseline models, on the classification task, on the CAP subset (AUC 0.767, 95%CI: 0.734-0.793, vs. 0.695, 95%CI: 0.645-0.736 for the next-best, p<0.001) and oncologic subset (AUC 0.784, 95%CI: 0.759-0.805, vs. 0.734, 95%CI: 0.703-0.767 p<0.001), ranked first on three of the four oncologic prognostic benchmarks, and achieved superior retrieval performance on CAP and oncologic subsets. Conclusion : A foundation model trained on oncology-enriched CAP CT data outperformed relevant state-of-the-art models in its target clinical context, underscoring the importance of clinically aligned pretraining. We release our preprocessing, training and inference code : https://github.com/Guerbet-AI/CAPTOR and model weights : https://huggingface.co/Guerbet-AI/CAPTOR
• Abstract（参考訳）: 目的 : 腫瘍性胸腹部骨盤(CAP)CT解釈のための深層学習視覚言語基盤モデルであるCAPTORを開発し,評価すること。 Materials & Methods : CAPTOR (Chest-Abdomen-Pelvis foundaTion model for Oncological Radiology) は、腫瘍病変検査を中心に北米、ヨーロッパ、アジアの多施設の振り返りデータセット上で、腫瘍性CAPCT(単シリーズまたは複数シリーズの取得)の事前訓練戦略を用いて訓練された、対照的な視覚言語モデルである。 CAPTORは,病状検出,腫瘍ImagingBenchを用いた生存予測,画像検索という3つの下流課題における最先端CT基盤モデルと比較した。 分類と検索はともに解剖学的対象と適応によって階層化された内部および公的なテストセットで評価された。 ブートストラップ再サンプリングは信頼区間を推定するために用いられ、ペアワイズ比較は置換試験を用いて行った。 結果: CAPTORは25,512対,10,794対のCT-Reportでそれぞれ訓練,試験を行った。 tumorImagingBenchデータセットはそれぞれ134から421の研究で構成された。 CAPTORは、CAPサブセット(AUC 0.767, 95%CI: 0.734-0.793, vs. 0.695, 95%CI: 0.645-0.736 for the next-beest, p<0.001)とオンコロジーサブセット(AUC 0.784, 95%CI: 0.759-0.805, vs. 0.734, 95%CI: 0.703-0.767 p<0.001)で全てのベースラインモデルを上回り、CAPとオンコロジーサブセットの3つの中で第1位にランクインした。 結論:Oncology-enriched CAP CTデータに基づいて訓練した基礎モデルは,対象臨床文脈における関連最先端モデルよりも優れ,臨床に整合した事前訓練の重要性を強調した。 プレプロセス、トレーニング、推論コード:https://github.com/Guerbet-AI/CAPTORとモデルウェイト : https://huggingface.co/Guerbet-AI/CAPTOR

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)
• MorphDistill: Distilling Unified Morphological Knowledge from Pathology Foundation Models for Colorectal Cancer Survival Prediction [3.2844015242965927]
  複数の病理基盤モデルから補完的知識を抽出し,CRC固有のエンコーダに変換するフレームワークであるMorphDistillを提案する。 第1段階では,学生エンコーダは,大規模大腸データセット上でのコントラスト正規化を監督したディメンション非依存型マルチティーチンガー蒸留を用いて訓練される。 ステージIIでは、エンコーダが全スライド画像からパッチレベルの特徴を抽出し、注意に基づく複数インスタンス学習を通じて集約し、5年間の生存を予測する。
  論文  参考訳（メタデータ） (2026-04-07T19:21:18Z)
• GOLDMARK: Governed Outcome-Linked Diagnostic Model Assessment Reference Kit [7.891604152731754]
  CB(Computational Biomarker)は、ヘマトキシリン・エオシン(H&E)全スライディング画像(WSI)から抽出した組織由来のパターンで、治療効果や予後を予測する。 臨床応用可能な OncoKB レベル1-3 バイオマーカーラベルを持つTCGAコーホート上に構築された標準化されたベンチマークフレームワークである GOLDMARK を紹介する。
  論文  参考訳（メタデータ） (2026-03-21T15:09:06Z)
• AI-Assisted Pleural Effusion Volume Estimation from Contrast-Enhanced CT Images [0.0]
  Pleuralfusions (PE) は多くの異なる臨床疾患でよく見られる疾患である。 CTスキャンで音量を正確に測定することは難しい。 コントラスト強調CTボリュームに基づく半教師付きディープラーニングフレームワークを開発した。
  論文  参考訳（メタデータ） (2025-10-04T16:06:10Z)
• A Novel Attention-Augmented Wavelet YOLO System for Real-time Brain Vessel Segmentation on Transcranial Color-coded Doppler [49.03919553747297]
  我々は,脳動脈を効率よく捉えることができるAIを利用したリアルタイムCoW自動分割システムを提案する。 Transcranial Color-coded Doppler (TCCD) を用いたAIによる脳血管セグメンテーションの事前研究は行われていない。 提案したAAW-YOLOは, 異方性および対側性CoW容器のセグメンテーションにおいて高い性能を示した。
  論文  参考訳（メタデータ） (2025-08-19T14:41:22Z)
• 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)
• Learning to diagnose cirrhosis from radiological and histological labels with joint self and weakly-supervised pretraining strategies [62.840338941861134]
  そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。 我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。 この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
  論文  参考訳（メタデータ） (2023-02-16T17:06:23Z)
• Significantly improving zero-shot X-ray pathology classification via fine-tuning pre-trained image-text encoders [50.689585476660554]
  本稿では,正対損失緩和とランダムな文サンプリングを含む新たな微調整手法を提案する。 提案手法は,胸部X線データセットと3つの事前訓練モデル間のゼロショット病理分類を一貫して改善する。
  論文  参考訳（メタデータ） (2022-12-14T06:04:18Z)
• Semi-supervised learning for generalizable intracranial hemorrhage detection and segmentation [0.0]
  本研究は頭蓋内出血の検出・分節化のための半教師付き学習モデルの開発と評価である。 最初の「教師」ディープラーニングモデルは、2010年から2017年にかけて米国のある機関から収集された457ピクセルの頭部CTスキャンに基づいて訓練された。 2つ目の"学生"モデルは、このピクセルラベル付きデータセットと擬似ラベル付きデータセットの組み合わせでトレーニングされた。
  論文  参考訳（メタデータ） (2021-05-03T00:14:43Z)
• Deep learning-based COVID-19 pneumonia classification using chest CT images: model generalizability [54.86482395312936]
  深層学習(DL)分類モデルは、異なる国の3DCTデータセット上で、COVID-19陽性患者を特定するために訓練された。 我々は、データセットと72%の列車、8%の検証、20%のテストデータを組み合わせたDLベースの9つの同一分類モデルを訓練した。 複数のデータセットでトレーニングされ、トレーニングに使用されるデータセットの1つからテストセットで評価されたモデルは、よりよいパフォーマンスを示した。
  論文  参考訳（メタデータ） (2021-02-18T21:14:52Z)

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。