論文の概要: Explainable Multimodal AI Approach to Reduce Unnecessary Breast Biopsies

• arxiv url: http://arxiv.org/abs/2610.35704v1
• Date: Mon, 26 Oct 2026 16:29:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:14.107355
• Title: Explainable Multimodal AI Approach to Reduce Unnecessary Breast Biopsies
• Title（参考訳）: 説明可能なマルチモーダルAIによる乳腺生検の削減
• Abstract要約: 本研究では、Grad-CAMを説明可能なAI(XAI)技術として取り入れたマルチモーダル視覚言語アプローチを提案する。 提案モデルでは, 90%, 95%, 99%, 100%の感度で, それぞれ40%, 36%, 18%, 11%の感度を示した。
• 参考スコア（独自算出の注目度）: 2.1349209400003932
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recently, there has been rise in multimodal vision-language models for computer-aided diagnosis (CAD), yet their application in breast diagnosis, particularly for predicting biopsy outcomes remains limited. This study presents a multimodal vision-language approach, incorporating Grad-CAM as an Explainable AI (XAI) technique, to predict benign tumors in patients recommended for biopsy, especially those classified as BI-RADS 4 and 5. A novel multimodal framework was devel- oped using Vision Transformer (ViT) for imaging feature extraction and DeBERTa-V3-Large for textual embeddings. The model was trained and evaluated on a comprehensive in-house dataset comprising 1,632 patients, each with four mammography views and a corresponding radiology report. The features of both modalities were extracted independently and fused by late fusion before classification. Grad-CAM was used to generate visual explanations highlighting key regions influencing model predictions. The proposed model demonstrated high sensitivity 90%, 95%, 99%, and 100% with corresponding specificities of 40%, 36%, 18%, and 11%, respectively. The best AUC achieved was 0.72 by multimodal approach on the test set, outperforming the image only (0.66) and text-only (0.68) baselines. The proposed multimodal architecture, enhanced with Grad-CAM, demonstrates a strong potential to identify benign tumors among high-risk patients, offering interpretable insights and thereby helping reduce unnecessary biopsies, patient anxiety, and healthcare costs.
• Abstract（参考訳）: 近年,コンピュータ支援診断のためのマルチモーダル視覚言語モデル(CAD)が増加しているが,乳房診断,特に生検結果の予測への応用は限られている。 本研究は,生体検診を推奨する患者,特にBI-RADS 4および5に分類される患者において良性腫瘍を予測するために,Grad-CAMを説明可能なAI(XAI)技術として取り入れた多モード視覚言語アプローチを提案する。 画像の特徴抽出にはViT(Vision Transformer)、テキスト埋め込みにはDeBERTa-V3-Largeを用いた。 本モデルは,4つのマンモグラフィービューとそれに対応する放射線診断レポートを持つ1,632人の患者からなる総合的な社内データセットを用いて,訓練および評価を行った。 両モダリティの特徴は独立に抽出され, 分類前の後期核融合により融合した。 Grad-CAMは、モデル予測に影響を与える重要な領域を強調する視覚的説明を生成するために使用された。 提案モデルでは, 90%, 95%, 99%, 100%の感度で, それぞれ40%, 36%, 18%, 11%の感度を示した。 AUCが達成した最良のAUCは、テストセットに対するマルチモーダルアプローチによる0.72で、画像のみ(0.66)とテキストのみ(0.68)のベースラインを上回りました。 提案したマルチモーダルアーキテクチャは、Grad-CAMで強化され、高リスク患者の良性腫瘍を同定し、解釈可能な洞察を提供し、不必要な生検、患者の不安、医療費を削減できる可能性を示す。

関連論文リスト

• A Vision-Language Foundation Model for Precise and Comprehensive Brain Tumor Diagnosis from Preoperative Multimodal Data [50.52606847963128]
  我々は、世界保健機関(WHO)の脳腫瘍タイプを分類するためにBrainVLMを開発した。 BrainVLMは40,043人のマルチモーダルデータ(MRIスキャン、人口統計学、放射線学)で訓練された。 病理組織学的に確認された脳腫瘍5,211例についてBrainVLMを施行した。
  論文  参考訳（メタデータ） (2026-09-15T03:46:03Z)
• Cerebra: A Multidisciplinary AI Board for Multimodal Dementia Characterization and Risk Assessment [56.62016795093786]
  CerebraはインタラクティブなマルチエージェントAIチームで、ERH、臨床ノート、医療画像分析のための特殊エージェントをコーディネートする。 構造化された表現を操作することで、プライバシ保護デプロイメントをサポートし、モダリティが不完全であれば、堅牢である。 Cerebraは、有識者のパフォーマンスを著しく改善し、前向き認知症リスク推定において精度を17.5ポイント向上させた。
  論文  参考訳（メタデータ） (2026-03-23T05:46:45Z)
• A DeepSeek-Powered AI System for Automated Chest Radiograph Interpretation in Clinical Practice [83.11942224668127]
  Janus-Pro-CXR (1B) はDeepSeek Janus-Proモデルに基づく胸部X線解釈システムである。 本システムは, 自動レポート生成において, 最先端のX線レポート生成モデルより優れる。
  論文  参考訳（メタデータ） (2025-12-23T13:26:13Z)
• DRBD-Mamba for Robust and Efficient Brain Tumor Segmentation with Analytical Insights [54.87947751720332]
  脳腫瘍の正確なセグメンテーションは、臨床診断と治療に重要である。 マンバを拠点とするState Space Modelsは、有望なパフォーマンスを示している。 本稿では,計算オーバーヘッドを最小限に抑えながら,マルチスケールの長距離依存関係をキャプチャするマルチ解像度双方向マンバを提案する。
  論文  参考訳（メタデータ） (2025-10-16T07:31:21Z)
• Multimodal Deep Learning for Phyllodes Tumor Classification from Ultrasound and Clinical Data [0.29981448312652675]
  Phyllodes tumors (PTs) は良性線維腺腫との放射線学的類似性から術前の分類が困難である。 乳房超音波(BUS)画像を構造化された臨床データと統合して診断精度を向上させるマルチモーダルディープラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-08-29T19:54:11Z)
• Boosting Pathology Foundation Models via Few-shot Prompt-tuning for Rare Cancer Subtyping [80.92960114162746]
  視覚言語病理基盤モデルの可能性を生かした新しいフレームワークPathPTを提案する。 PathPTは、WSIレベルの監視を、VLモデルのゼロショット機能を活用することで、きめ細かいタイルレベルのガイダンスに変換する。 以上の結果から,PathPTは一貫して優れた性能を示し,サブタイピング精度と癌領域の接地能力を著しく向上することが示された。
  論文  参考訳（メタデータ） (2025-08-21T18:04:41Z)
• Exemplar Med-DETR: Toward Generalized and Robust Lesion Detection in Mammogram Images and beyond [3.437009428325929]
  特徴に基づく検出を可能にする新しいマルチモーダルコントラスト検出器であるExemplar Med-DETRを紹介する。 ベトナムの高濃度乳腺マモグラムでは, 質量検出では0.7mAP, 石灰化では0.55mAPとなり, 絶対値16ポイント向上した。 胸部X線, 血管造影では, 腫瘤検出では0.25mAP, 狭窄検出では0.37mAPを達成し, それぞれ4ポイント, 7ポイント改善した。
  論文  参考訳（メタデータ） (2025-07-25T18:40:52Z)
• EAGLE: Efficient Alignment of Generalized Latent Embeddings for Multimodal Survival Prediction with Interpretable Attribution Analysis [16.567468717846676]
  既存のマルチモーダルアプローチは、単純化された融合戦略、膨大な計算要求、および臨床導入における解釈可能性の重要な障壁の欠如に悩まされている。 本稿では,注意に基づくマルチモーダル融合と包括的帰属分析により,これらの制約に対処する新しいディープラーニングフレームワークであるEagleを紹介する。 Eagleは、高度なAI機能と実用的なヘルスケアデプロイメントのギャップを埋め、マルチモーダルサバイバル予測のためのスケーラブルなソリューションを提供する。
  論文  参考訳（メタデータ） (2025-06-12T03:56:13Z)

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。