論文の概要: A Concept-informed Interpretable Artificial Intelligence Framework for Breast Ultrasound Diagnosis

• arxiv url: http://arxiv.org/abs/2610.16128v1
• Date: Mon, 12 Oct 2026 03:46:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-19 07:30:18.616816
• Title: A Concept-informed Interpretable Artificial Intelligence Framework for Breast Ultrasound Diagnosis
• Title（参考訳）: 乳房超音波診断のための概念インフォームド解釈型人工知能フレームワーク
• Abstract要約: 構造的BI-RADSディスクリプタを併用した胸部超音波像の多施設集を作製した。 IBUSは、異なる臨床センターと撮像条件で一貫した一般化性能を示した。 IBUSは中高生の診断感度を高めた。
• 参考スコア（独自算出の注目度）: 38.76590096229344
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Most existing artificial intelligence systems for breast ultrasound rely primarily on image-driven prediction, with limited incorporation of the knowledge from the Breast Imaging Reporting and Data System (BI-RADS) and the intermediate assessment processes underlying radiologists' workflow, thereby constraining their interpretability and alignment with clinical practice. We curated, to our knowledge, the largest multicenter collection of breast ultrasound images paired with structured BI-RADS descriptors, comprising 9,941 patients across 20 independent datasets. Across 14 testing datasets, IBUS demonstrated consistent generalization performance across different clinical centers and imaging conditions. Incorporating BI-RADS descriptors enabled fine-grained risk stratification, while cross-checking predicted BI-RADS grades against malignancy probabilities identified internally discordant predictions that may warrant additional clinical review. In a reader study involving eight radiologists, IBUS assistance increased diagnostic sensitivity among both junior and senior readers, with the potential of guiding radiologists to make targeted revision in risk stratification. Overall, IBUS exhibits its potential as a second-stage decision-support system that complements radiologists by providing additional risk estimates and interpretable evidence for diagnostically challenging cases. The demo video of IBUS platform is publicly available at https://github.com/zsz1997/IBUS.
• Abstract（参考訳）: 乳房超音波の既存の人工知能システムは、主に画像駆動予測に依存しており、乳房画像報告・データシステム(BI-RADS)からの知識と、放射線医のワークフローに基づく中間的評価プロセスの限定的な取り込みにより、その解釈可能性と臨床実践との整合性を制限している。 BI-RADSディスクリプタと組み合わせた胸部超音波画像の多施設集は,20個の独立したデータセットで9,941人であった。 IBUSは14の試験データセットで、異なる臨床センターと撮像条件で一貫した一般化性能を示した。 BI-RADSディスクリプタを組み込むことで、微粒なリスク層化が可能となり、BI-RADSグレードの悪性度に関するクロスチェックでは、さらなる臨床検査を要求できる内的不一致予測が特定された。 放射線技師8名を対象にした調査では、IBUS支援は中高生の診断感度を高め、放射線科医にリスク階層化のターゲット修正を指導する可能性があった。 全体として、IBUSは、放射線学者を補完する第2段階の意思決定支援システムとして、追加のリスク推定と診断的に困難なケースの解釈可能な証拠を提供することで、その可能性を示している。 IBUSプラットフォームのデモビデオはhttps://github.com/zsz1997/IBUSで公開されている。

関連論文リスト

• An Explainable Hybrid AI Framework for Enhanced Tuberculosis and Symptom Detection [55.35661671061754]
  結核は、特に資源に制限された遠隔地において、重要な世界的な健康問題である。 本稿では, 胸部X線による疾患および症状の検出を, 2つの頭部と自己監督頭部を統合することで促進する枠組みを提案する。 本モデルでは, 新型コロナウイルス, 結核, 正常症例の鑑別で98.85%の精度が得られ, マルチラベル症状検出では90.09%のマクロF1スコアが得られた。
  論文  参考訳（メタデータ） (2025-10-21T17:18:55Z)
• RAD: Towards Trustworthy Retrieval-Augmented Multi-modal Clinical Diagnosis [56.373297358647655]
  Retrieval-Augmented Diagnosis (RAD)は、下流タスクで直接マルチモーダルモデルに外部知識を注入する新しいフレームワークである。 RADは、複数の医療ソースからの疾患中心の知識の検索と改善、ガイドライン強化コントラスト損失トランスフォーマー、デュアルデコーダの3つの主要なメカニズムで機能する。
  論文  参考訳（メタデータ） (2025-09-24T10:36:14Z)
• RadFabric: Agentic AI System with Reasoning Capability for Radiology [61.25593938175618]
  RadFabricは、総合的なCXR解釈のための視覚的およびテキスト分析を統合するマルチエージェント、マルチモーダル推論フレームワークである。 システムは、病理診断に特殊なCXRエージェント、正確な解剖学的構造に視覚所見をマッピングする解剖学的解釈エージェント、および視覚的、解剖学的、臨床データを透明かつ証拠に基づく診断に合成する大規模なマルチモーダル推論モデルを利用した推論エージェントを使用する。
  論文  参考訳（メタデータ） (2025-06-17T03:10:33Z)
• Vision-Language Models for Acute Tuberculosis Diagnosis: A Multimodal Approach Combining Imaging and Clinical Data [0.0]
  本研究では,SIGLIPとGemma-3bアーキテクチャを併用したVLM(Vision-Language Model)を提案する。 VLMは胸部X線からの視覚データを臨床コンテキストと組み合わせて、詳細なコンテキスト認識診断レポートを生成する。 結石,空洞,結節などの急性TBの病態は,高い精度とリコールで検出された。
  論文  参考訳（メタデータ） (2025-03-17T14:08:35Z)
• PersonalizedUS: Interpretable Breast Cancer Risk Assessment with Local Coverage Uncertainty Quantification [2.6911061523689415]
  現在の「ゴールドスタンダード」は、臨床医による手動のBI-RADSスコアに依存しており、しばしば不必要な生検や、患者とその家族に対する精神的な負担を伴っている。 我々は、直列予測の最近の進歩を活用して、正確でパーソナライズされたリスク推定を提供する、パーソナライズされた機械学習システムであるPersonalizedUSを紹介する。 具体的な臨床効果としては、BI-RADS 4aと4bの病変のうち、要求された生検を最大で65%減らし、がんの再発は最小限である。
  論文  参考訳（メタデータ） (2024-08-28T00:47:55Z)
• Post-Hoc Explainability of BI-RADS Descriptors in a Multi-task Framework for Breast Cancer Detection and Segmentation [48.08423125835335]
  MT-BI-RADSは乳房超音波(BUS)画像における腫瘍検出のための新しい深層学習手法である。 放射線科医が腫瘍の悪性度を予測するための意思決定プロセスを理解するための3つのレベルの説明を提供する。
  論文  参考訳（メタデータ） (2023-08-27T22:07:42Z)
• Interpretable and intervenable ultrasonography-based machine learning models for pediatric appendicitis [8.083060080133842]
  虫垂炎は小児腹部手術の最も多い原因の一つである。 虫垂炎に対する以前の意思決定支援システムは、臨床、検査、スコアリング、およびCTデータに焦点を当ててきた。 超音波画像を用いた虫垂炎の診断・管理・重症度予測のための解釈可能な機械学習モデルを提案する。
  論文  参考訳（メタデータ） (2023-02-28T10:08:11Z)
• BI-RADS-Net: An Explainable Multitask Learning Approach for Cancer Diagnosis in Breast Ultrasound Images [69.41441138140895]
  本稿では,乳房超音波画像における癌検出のための新しい深層学習手法であるBI-RADS-Netを紹介する。 提案手法は, 臨床診断に関連する特徴表現を学習することにより, 乳腺腫瘍の説明と分類を行うタスクを取り入れたものである。 臨床医が医療現場で診断・報告するために使用する形態学的特徴の観点から予測(良性または悪性)の説明が提供される。
  論文  参考訳（メタデータ） (2021-10-05T19:14:46Z)

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。