論文の概要: Multimodal Generative AI Assists Comprehensive Echocardiographic Interpretation
- arxiv url: http://arxiv.org/abs/2610.32880v1
- Date: Fri, 23 Oct 2026 16:47:01 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-27 01:38:06.611768
- Title: Multimodal Generative AI Assists Comprehensive Echocardiographic Interpretation
- Title（参考訳）: 心エコー法を総合的に理解するマルチモーダル生成型AIアシスト
- Abstract要約: 本稿では,包括的な心エコー解析を行う生成視覚言語モデルであるEchoChatを紹介する。
心臓科医の認知ワークフローをエミュレートすることで、EchoChatは膨大な医療知識と思考の連鎖的な推論メカニズムを統合する。
これは、33の心臓状態と所見の最も広い診断範囲をサポートする。
- 参考スコア（独自算出の注目度）: 61.37772505977565
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Echocardiography is the cornerstone of cardiovascular diagnostics, yet its global utility is constrained by a critical shortage of experienced interpreters. Current artificial intelligence (AI) solutions remain limited, typically operating as opaque "black boxes" or focusing on narrow tasks that fail to capture the holistic, guideline-driven reasoning of a clinician. Here we introduce EchoChat, a generative multimodal vision-language model that performs comprehensive echocardiographic analysis to support clinician interpretation. By emulating the cognitive workflow of a cardiologist, EchoChat integrates vast medical knowledge with a chain-of-thought reasoning mechanism to explicitly ground its conclusions in visual evidence. Trained on echocardiography-instruction pairs from 46,358 examinations, our model establishes a new state-of-the-art across diverse cohorts from six international medical centers. It supports the broadest diagnostic scope of 33 cardiac conditions and findings, including 15 newly added conditions for which it achieves an average F1 of 73.7% across available external evaluations. It surpasses existing best-performing foundation models in cardiac condition recognition (improving average recall by 13.54% on shared tasks) and quantification (average R2 score increase of 0.275 on shared tasks). Furthermore, in a source-blinded echocardiographer reader study, echocardiography reports co-generated with EchoChat were rated higher in diagnostic accuracy and completeness by two senior echocardiographers, and improved diagnostic performance from 72.78% to 82.75% in terms of F1 score over routine-reader only reports. These results demonstrate that integrating clinical reasoning into multimodal AI can democratize specialist expertise and transform the standard of cardiovascular care.
- Abstract（参考訳）: 心エコー法は心臓血管診断の基盤となっているが、その国際的有用性は経験豊富な通訳の不足によって制限されている。
現在の人工知能(AI)ソリューションは限定的であり、通常は不透明な「ブラックボックス」として動作する。
本稿では, 総合的心エコー図解析を行い, 臨床解釈を支援する多モーダル視覚言語モデルであるEchoChatを紹介する。
心臓科医の認知ワークフローをエミュレートすることで、EchoChatは膨大な医療知識と思考の連鎖的な推論メカニズムを統合し、その結論を視覚的証拠に明示的に根拠付ける。
46,358件の検査から心エコー検査-教示ペアを学習し,6つの国際医療センターの多種多様なコホートにまたがる新たな最先端のモデルを構築した。
診断範囲は33の心臓疾患と所見が最も広く、新たに15の疾患が追加され、平均で73.7%のF1が得られた。
心臓状態認識(共有タスクにおける平均リコール率13.54%向上)と定量化(共有タスクにおける平均R2スコアの0.275増加)において、既存の最高のパフォーマンス基盤モデルを上回っている。
さらに、エコーチャットと共同で作成したエコー心電図レポートは、2人のエコー心電図者が診断精度と完全性を高く評価し、定期読影レポートよりもF1スコアの72.78%から82.75%に改善した。
これらの結果は、臨床推論をマルチモーダルAIに統合することで、専門知識を民主化し、心臓血管ケアの標準を変革できることを示している。
関連論文リスト
- ECG-LLM: Foundation Model for ECG-Based Cardiac Reasoning [50.82313761980655]
ECG-LLMは186,409人を対象にした4つのコホート679,112のECG研究で訓練されたECG条件付き大言語モデルである。
ECG信号、臨床コンテキスト、CMR、ECHOから導かれる、臨床的に構造化された質問応答対をトレーニングする。
心拍数などの従来の心電図測定を成功させ、複雑なCMR由来の表現型を強く予測する。
論文 参考訳（メタデータ） (2026-07-15T11:06:35Z) - EchoSonar-R: A Multi-View Reasoning-Enabled Model for Disease Classification and Report Generation in Echocardiography [4.445909648625997]
疾患分類と報告生成を共同で行う多視点推論対応視覚対応モデルであるEchoSonar-Rを提案する。
EchoSonar-Rは2つの段階で訓練されている: 推論アノテート対象に関する教師付き微細言語エンコーダ (SFT) と、タスク固有の報酬を伴うグループ相対ポリシー最適化 (O) である。
EchoSonar-Rではマクロバランスの精度が17.1%向上し、MIMICQAでは6.1%向上した。
論文 参考訳（メタデータ） (2026-06-26T14:58:45Z) - Disease-Centric Vision-Language Pretraining with Hybrid Visual Encoding for 3D Computed Tomography [75.7789001619107]
ビジョン言語による事前トレーニングは、汎用医療AIにとって大きな可能性を秘めている。
3つの主要なコンポーネントを特徴とするフレームワークを提案する。
診断対応プロンプト戦略では、トレーニング前の推論ギャップを埋めるために、実際の臨床用語と集約された疾患プロトタイプを用いている。
論文 参考訳（メタデータ） (2026-06-24T08:24:45Z) - Echo-α: Large Agentic Multimodal Reasoning Model for Ultrasound Interpretation [76.6507710204181]
超音波解釈のためのエージェント型マルチモーダル推論モデルであるEcho-を提案する。
Echo-は臓器固有の検出出力を調整し、それらをグローバルな視覚的コンテキストに統合し、その結果の証拠を根拠となる診断決定に変換するように訓練されている。
以上の結果から, エージェントによるマルチモーダル推論は, 特定検出器を検証可能な臨床証拠にすることができることが示唆された。
論文 参考訳（メタデータ） (2026-04-30T15:31:00Z) - Echo-CoPilot: A Multi-View, Multi-Task Agent for Echocardiography Interpretation and Reporting [8.162197738994479]
本稿では,多視点マルチタスクエージェントであるEcho-CoPilotを紹介する。
ReActスタイルのループ内で、エージェントは臨床クエリを分解し、ビュー認識、心臓構造セグメンテーション、測定と疾患予測、およびレポート合成のためのツールを起動する。
公開MIMIC-EchoQAベンチマークでEcho-CoPilotを評価し、50.8%の精度で、汎用的およびバイオメディカルなビデオビジョン言語モデルよりも優れています。
論文 参考訳（メタデータ） (2025-12-06T23:27:54Z) - Multi-Modal Explainable Medical AI Assistant for Trustworthy Human-AI Collaboration [17.11245701879749]
Generalist Medical AI (GMAI) システムは、バイオメディカル認知タスクにおいて、専門家レベルのパフォーマンスを実証している。
本稿では,XMedGPTについて紹介する。XMedGPTはクリニック中心のマルチモーダルAIアシスタントで,テキストと視覚の解釈性を統合している。
我々は,マルチモーダル解釈可能性,不確実性定量化,予測モデリング,厳密なベンチマークの4つの柱にまたがってXMedGPTを検証する。
論文 参考訳（メタデータ） (2025-05-11T08:32:01Z) - Estimation of atrial fibrillation from lead-I ECGs: Comparison with
cardiologists and machine learning model (CurAlive), a clinical validation
study [0.0]
本研究では,人工知能を用いた心房細動検出法を提案する。
本研究の目的は, 心臓科医と人工知能の診断精度をリードI心電図と比較することである。
論文 参考訳（メタデータ） (2021-04-15T12:50:16Z) - Predicting post-operative right ventricular failure using video-based
deep learning [9.884447146588542]
術前心エコー検査から得られた全情報密度を用いて,術前右室障害(RV障害)を予測できる映像AIシステムの開発を行った。
0.729の時空、80%の感度で52%の特異度、80%の特異度で感度を達成する。
さらに,我々のMLシステムは,独立臨床評価におけるRV障害の予測に携わる人間専門家のチームよりも有意に優れていた。
論文 参考訳（メタデータ） (2021-02-28T00:58:53Z) - Identification of Ischemic Heart Disease by using machine learning
technique based on parameters measuring Heart Rate Variability [50.591267188664666]
本研究は,243名の非侵襲的特徴(年齢,性別,左室容積率,HRV15)を用いて,一連のANNの訓練と評価を行った。
最高の結果は、7つの入力パラメータと7つの隠れノードを使用して、トレーニングと検証データセットに対して98.9%と82%の精度で得られた。
論文 参考訳（メタデータ） (2020-10-29T19:14:41Z) - 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。