論文の概要: Lesion Overlap Ranks PET Segmentation Models but Does Not Certify Patient-Level Tumor Burden
- arxiv url: http://arxiv.org/abs/2611.05564v1
- Date: Tue, 03 Nov 2026 19:55:50 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-06 03:25:57.833249
- Title: Lesion Overlap Ranks PET Segmentation Models but Does Not Certify Patient-Level Tumor Burden
- Title（参考訳）: Lesion OverlapはPETセグメンテーションモデルにランク付けするが、患者レベル腫瘍バーデンを認定しない
- Abstract要約: 自己PET FDG PET/CTによる信頼できないMTV推定値の重複測定について検討した。
489例の腫瘍陽性症例で選択した5例を比較し, 597例のPSMAで検討した。
- 参考スコア（独自算出の注目度）: 4.901333646228992
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Metabolic tumor volume (MTV) summarizes whole-body PET disease burden for prognostic stratification and treatment assessment. Automated MTV is useful only if its estimate is reliable for the individual patient, yet segmentation models are usually evaluated with overlap metrics such as Dice rather than burden error. We examined whether overlap metrics identify unreliable MTV estimates using 1,014 autoPET FDG PET/CT studies. We evaluated LesionTracer predictions held out from fine-tuning, compared five selected released models on 489 tumor-positive patients, and examined the findings in 597 PSMA studies. Across the five FDG models, ranking by higher mean Dice gave the same order as ranking by lower mean relative MTV error ($ρ=-1.00$, exact $p=0.017$). At the patient level, however, out-of-fold Dice tracked relative MTV error strongly ($ρ=-0.75$), yet 82 of 489 patients (16.8\%) fell on opposite sides of the Dice 0.80 and MTV-error 25\% thresholds. Within the training-exposed released models, correlations ranged from $-0.47$ to $-0.74$ over narrower, high-Dice ranges. Out of fold, opposing false-positive and false-negative volumes cancelled about one third of spatial error in net MTV. In 236 of 489 patients, each of the five models missed at least one lesion, though not necessarily the same lesion. Thus, agreement in average model rankings did not establish the reliability of individual MTV estimates or reveal shared lesion misses. PET segmentation benchmarks should report patient-level MTV error and missed-lesion counts alongside Dice and other overlap metrics.
- Abstract（参考訳）: メタボリック腫瘍容積 (MTV) は, 予後と治療評価のための全身PET疾患の負担を要約する。
自動MTVは、その推定が個々の患者に信頼性がある場合にのみ有用であるが、分割モデルは通常、重み付けエラーではなく、Diceのような重み付けメトリクスで評価される。
自己PET FDG PET/CTによる信頼できないMTV推定値の重複測定について検討した。
489例の腫瘍陽性症例で選択した5例を比較し, 597例のPSMAで検討した。
5つのFDGモデル全体では、Diceは平均よりも低い平均MTVエラー(ρ=-1.00$、正確な$p=0.017$)でランク付けした。
しかし、患者のレベルでは、Diceは相対的なMTV誤差を強く追跡する(ρ=-0.75$)が、489人の患者のうち82人がDice 0.80 と MTV-error 25\% の両側に落下した。
トレーニングが公開されたモデルでは、より狭く高密度な範囲で、相関関係は$-0.47$から$-0.74$まで様々であった。
折り畳むと、反対の偽陽性および偽陰性ボリュームは、ネットMTVの空間誤差の約3分の1をキャンセルした。
489例中236例では,5モデルそれぞれに1例以上の病変がみられなかったが,必ずしも同一の病変ではなかった。
したがって、平均モデルランキングにおける合意は、個々のMTV推定の信頼性を確立したり、共有病変の誤りを明らかにしたりしなかった。
PETセグメンテーションベンチマークでは、Diceなどの重なり合う指標とともに、患者レベルのMTVエラーと欠落回数を報告すべきである。
関連論文リスト
- Can saliency maps flag chest radiograph classifier errors at a new hospital? An external validation study [34.22295500048467]
我々はNIH ChestX-ray14で畳み込みネットワークとビジョントランスフォーマーを訓練した。
研修病院および米国とベトナムの2箇所で1モデルあたり303,768の判定を行った。
分類された胸郭領域の属性の領域正規化濃度である解剖学的濃厚度を用いて各説明を行い,モデルの信頼性を超える誤差を検出するかどうかを検証した。
論文 参考訳（メタデータ） (2026-11-03T14:57:22Z) - Spatial Atlas-Informed Loss Ensembles for Whole-Body PSMA PET/CT Metastasis Segmentation [0.008686459834747052]
モデルトレーニングに組み込んだ場合,個体群アトラスは病変検出を改善することができるか検討した。
SAILS を AutoPETIII および Deep-PSMA のベースライン nnU-Net と転移時間 atlas と比較した。
推論にアトラスや登録は必要ない。
論文 参考訳（メタデータ） (2026-10-29T18:14:49Z) - CAPTOR: a vision-language foundation model for Chest-Abdomen-Pelvis Oncologic CT [33.82588336753218]
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。
論文 参考訳（メタデータ） (2026-10-09T18:39:01Z) - PGP-Clinical-TimeKAN: Prior-Guided Joint Probabilistic Forecasting of Clinical Trajectories [33.074550441856196]
PGP-Clinical-TimeKANは多変量生理学の合同確率予測のための軌道優先のフレームワークである。
欠如を意識した時間エンコーダ、ソフトオルガン前駆体、患者固有の関係、非線形コルモゴロフ・アルノルドメッセージ、低ランクの多変量学生-tヘッドを組み合わせる。
論文 参考訳（メタデータ） (2026-08-24T23:33:35Z) - RareLens: Towards End-to-End Rare Disease Care via Aligning Divergent Large Language Model Reasoning [42.80742579670377]
RareLensは、まれな疾患の軌跡全体にわたる臨床的意思決定を支援するシステムである。
RareBenchは、33のOrphanetカテゴリと7000以上の条件にまたがる157,525件の実際のデータセットである。
検診で0.917、診断と治療で65.5%、89.8%の成績を収めた。
論文 参考訳（メタデータ） (2026-07-25T16:58:10Z) - PEFT-MedSAM: Efficient Fine-Tuning of Medical Foundation Models for Explainable Skin Lesion Segmentation [1.1448616389731152]
本研究の目的は, PEFT-MedSAMとよばれるパラメータ効率のよい微細調整法を, 皮膚の皮膚病変を自動的に分類するためにMedSAM (Medicial Segment Anything Model) に適用することである。
ISIC 2018ベンチマークデータセットで実施された実験は、PEFT-MedSAMが.9411のサイス係数と.8918の共役値の交叉を得ることを示している。
PH2データセットを用いたモデルの外部検証は、+//-.0310の標準偏差を持つ.9467ダイス係数を示している。
論文 参考訳（メタデータ） (2026-06-17T05:42:24Z) - Foundation Models to Unlock Real-World Evidence from Nationwide Medical Claims [31.673662680042337]
管理的クレームは、医療利用、支出、診断、処置、医薬品の詳細なコーディングの経時的記録を提供する。
2008年から2022年にかけてのMarketScanの医療イベント438億件について、ゼロからトレーニングした生成トランスフォーマーReClaimを紹介します。
論文 参考訳（メタデータ） (2026-05-04T15:38:31Z) - Correcting Class Imbalances with Self-Training for Improved Universal Lesion Detection and Tagging [43.06199185109424]
CT研究におけるユニバーサル病変検出・タグング(ULDT)は,腫瘍の負担評価と経過に伴う病変の進行(成長・収縮)の追跡に重要である。
以前の研究では、DeepLesionデータセット(4,427人、研究10,594人、CTスライス32,120人、病変32,735人、体の一部のラベル8人)をアルゴリズム開発に使用していたが、このデータセットは完全に注釈付けされておらず、クラス不均衡を含んでいる。
我々は,DeepLesionの11.5%のサブセットを限定的に使用して,ULDTのための自己学習パイプラインを開発した。
論文 参考訳（メタデータ） (2025-04-07T15:57:03Z) - Using YOLO v7 to Detect Kidney in Magnetic Resonance Imaging [1.1567496318601842]
医用画像ライブラリを用いた半教師ありアプローチによる腎臓検出のための高性能モデルを開発した。
モデルの一般化性を評価するには、さらなる外部検証が必要である。
論文 参考訳（メタデータ） (2024-02-08T16:54:20Z) - Comprehensive framework for evaluation of deep neural networks in detection and quantification of lymphoma from PET/CT images: clinical insights, pitfalls, and observer agreement analyses [0.9958347059366389]
本研究はPET/CT画像からの自動リンパ腫分離における重要なギャップに対処する。
深層学習は悪性リンパ腫の病巣分類に応用されているが, アウト・オブ・ディストリビューション検査を取り入れた研究はほとんどない。
高い代謝活性を有する大強度病変に対して,ネットワークがより優れた性能を示すことを示す。
論文 参考訳（メタデータ） (2023-11-16T06:58:46Z)
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。