An updated overview of radiomics-based artificial intelligence (AI) methods in breast cancer screening and diagnosis
원문 초록
Current imaging methods for diagnosing BC are associated with limited sensitivity and specificity and modest positive predictive power. The recent progress in image analysis using artificial intelligence (AI) has created great promise to improve breast cancer (BC) diagnosis and subtype differentiation. In this case, novel quantitative computational methods, such as radiomics, have been developed to improve the sensitivity and specificity of early BC diagnosis and classification. The potential of radiomics in improving the diagnostic efficacy of imaging studies has been shown in several studies. In this review article, we discuss the radiomics workflow and current hand-crafted radiomics methods in the diagnosis and classification of BC based on most recent studies on different imaging modalities, e.g. MRI, mammography, contrast-enhanced spectral mammography (CESM), ultrasound imaging, and digital breast tumosynthesis (DBT). We also discuss current challenges and potential strategies to improve the specificity and sensitivity of radiomics in breast cancer to help achieve a higher level of BC classification and diagnosis in the clinical setting. The growing field of AI incorporation with imaging information has opened a great opportunity to provide a higher level of care for BC patients.
함께 살펴볼 논문
공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.
매개변수화된 CEC 2017 벤치마크를 이용한 변환의 민감도 분석
Sensitivity Analysis of the Transformation Using a Parameterized CEC 2017 Benchmark
CEC 2017은 편향(bias), 이동(shift), 회전(rotation)을 동시에 적용하므로 각각이 알고리즘 동작에 미치는 개별 효과가 가려진다. 우리는 원래의 함수와 변환 데이터를 보존하면서 이들을 독립적으로 제어하는 매개변수화된 구현을 소개한다. 이를 이용하여, 예측 후보 메커니즘이 수치적 목적함수 값과 좌표별 재구성에 의존하는 하이브리드 해양 포식자 알고리즘(hMPA)을 진단한다. 심층 통계 비교(DSC)와 확장 DSC(eDSC)를 알고리즘 수준의 비교에서 구성 수준의 진단으로 적응시켰다. 우리가 아는 한, 이는 매개변수화된 CEC 2017 벤치마크의 편향-이동-회전 8개 구성 전체에 대한 최초의 철저한 DSC 및 eDSC 분석이다. 29개 함수, 차원 10, 30, 50, 100, 30회의 독립 실행, 차원당 10,000회의 목적함수 평가라는 고정 예산을 사용하여, 가능한 56개의 3개 구성 부분집합 전부와 변환하지 않은 대조군과의 비교를 검토한다. DSC와 eDSC는 모든 차원에서 구성 간 통계적으로 유의한 차이를 보이지만, 순위는 함수에 따라 달라 일관된 순서를 정할 수 없다. 대부분의 개별 효과 크기 신뢰구간은 0을 포함한다. 0을 포함하지 않는 경우 중에서는, 차원 10에서는 MPA가, 차원 50과 100에서는 hMPA가 유리한 비교가 더 많다. 이동은 대체로 목적함수 값 결과를 악화시킨다. 단독 회전은 체계적인 성능 저하를 일으키지 않으며, 단독 편향은 최종 해 분포를 거의 바꾸지 않는다. 이동과 회전의 결합은 대조군과 가장 일관되게 다르다. 수렴 곡선은 함수 및 차원에 따라 달라지는 분리, 정체 구간, 후반부 개선을 보여 준다. 수치적 결과는 hMPA에 한정되지만, 이 프레임워크는 다른 연속 최적화 알고리즘으로 확장될 수 있고 CEC 2024 및 CEC 2025를 포함한 관련 CEC 벤치마크에도 적용할 수 있다.
오디오 딥페이크 탐지기의 화자 신원 민감도 탐색
Probing Speaker Identity Sensitivity in Audio Deepfake Detectors
오디오 딥페이크 탐지기는 진짜 음성과 합성 음성을 구별하도록 학습되며 표준 벤치마크에서 종종 우수한 성능을 보인다. 그러나 한 데이터셋에서 1% 미만의 오류를 달성하는 동일한 탐지기가 다른 데이터셋에서 평가될 때 오류율이 20배 증가할 수 있다. 우리는 기여 요인 중 하나가 화자 신원 의존(speaker-identity reliance)이라고 주장한다. 표준 학습 코퍼스는 화자 신원과 진짜/합성 레이블을 상관시키며, 이로 인해 탐지기가 합성 아티팩트만이 아니라 화자 관련 단서에 부분적으로 의존할 수 있다. 우리는 Identity Sensitivity Score(ISS)를 제안한다. ISS는 서로 다른 화자 신원 컨텍스트에서 탐지기 출력이 얼마나 변하는지 정량화하는 발화 단위 진단 지표이다. ISS는 추론 시점에 정답 레이블이 필요 없으며, 탐지기 점수와 참조 화자 예시 풀(pool)만으로 계산할 수 있다. 두 개의 탐지기와 두 개의 데이터셋에서, 잘못 분류된 발화는 올바르게 분류된 발화보다 ISS 점수가 29~52배 높으며, ISS만으로도 오분류를 AUC(area-under-curve) 최대 0.954로 예측한다. ISS가 예측 신뢰도의 대리 지표에 그치지 않고 실제로 신원 민감 행동을 포착하는지 검증하기 위해, 우리는 500개 발화에 보이스 변환(voice conversion)을 적용하고 그에 따른 탐지기 점수 변화를 측정한다. ISS에 의해 신원 민감으로 표시된 발화는 안정적(stable)으로 표시된 발화보다 이 조작에 19~30배 더 강하게 반응한다. 이러한 결과는 ISS를 오디오 딥페이크 탐지에서 화자 의존적 실패 분석을 위한 실용적인 추론 시점 진단 도구로 자리매김한다.
암기의 기하학: 플로우 매칭 모델 진단을 위한 유한시간 스펙트럴 민감도
The Geometry of Memorization: Finite-Time Spectral Sensitivity as a Diagnostic for Flow Matching Models
연속시간 생성 프레임워크는 시간 의존 속도장(velocity field)을 최적화하여 기본 도메인과 목표 도메인 사이의 확률 경로를 구성한다. 이론적 목표는 직선 궤적을 선호하지만, 실증적 네트워크는 복잡한 경로 변형을 발달시킨다. 본 논문은 상태 전이 행렬(state-transition matrix)의 특이값(singular value) 제곱평균제곱근(root-mean-square singular value)을 추적하여 플로우 기하학을 드러내는 그래디언트 없는 순전파(forward-pass) 지표인 유한시간 스펙트럴 민감도(Finite-Time Spectral Sensitivity, FTSS) g(t)를 제시한다. 안정 순위(stable rank)에 대한 연속적 대리 지표로서 g(t)는 데이터 부족 하에서 뚜렷한 기하학적 병리를 드러낸다: 일반화하는 모델은 안정적인 유효 차원을 유지하는 반면, 과적합은 스펙트럴 붕괴를 유발한다. 우리는 이 구조적 현상을 활용하여 g(t)에 기반한 내부 기하학적 감사(internal geometric audit)를 개발한다. 우리의 프레임워크는 순수하게 내부 궤적 동역학만을 사용하여 생성적 암기를 탐지하며, 외부 멤버십 쿼리(membership query)나 기준선 데이터 비교의 필요성을 제거한다.
SPINA Carb: a simple mathematical model supporting fast in-vivo estimation of insulin sensitivity and beta cell function
Spatial-IQ: 계층적 능력 테스트를 통한 공간 지능 분해
Spatial-IQ: Deconstructing Spatial Intelligence via Hierarchical Capability Tests
다중모달 대규모 언어 모델(MLLM)은 시각 해석에는 뛰어나지만, 인간이 안정적으로 풀 수 있는 공간 추론 과제에서는 실패한다. 기존 벤치마크는 이러한 모델을 블랙박스로 평가하여 낮은 성능의 근본 원인을 식별하는 능력을 제한한다. 모델이 공간 추론 과제에서 실패할 때, 그 장애가 객체 경계 인식과 같은 지각(perceptual) 문제인지, 가려짐에 대해 추론하여 숨겨진 기하를 추론하는 것과 같은 인지(cognitive) 문제인지 판별하기 어렵다. 우리는 Spatial-IQ를 제안한다. 이는 쌓인 3D 구조에서의 객체 개수 세기를 인간 공간 인지의 발달 단계에 따라 구성된 9개의 지각·인지 하위 과제로 분해하는 계층적 진단 프레임워크이며, 정신 회전(mental rotation)을 추가 목표 프로브로 포함한다. NVIDIA Isaac Sim을 사용하여 과제별 ground truth를 갖춘 약 80,000개의 다양한 쌓인 3D 구조 데이터셋을 절차적으로 생성했다. 자유 응답 텍스트, 객관식 이미지, 이미지 편집의 세 가지 출력 형식과 인간 기준선을 함께 사용하여 모델을 평가한다. Spatial-IQ 프레임워크는 최고 성능 모델이 종종 목표 과제(객체 개수 세기)를 뒷받침하도록 의도된 하위 수준 하위 과제에는 성공하지 못한 채 목표 과제에서 성공하는 경우가 많으며, 모델마다 이러한 계층적 연쇄를 얼마나 유지하는지가 다르다는 것을 보여준다. 이는 목표 과제 정확도만으로는 드러나지 않을 지름길(shortcut) 행동을 종종 드러낸다. 마지막으로, 계층적 하위 과제에 대한 사고의 연쇄(Chain-of-Thought, CoT) 감독과 검증 가능 보상을 이용한 강화학습을 결합하여 모델을 학습하면, 하위 과제 간 공간적 일관성과 목표 과제 정확도가 모두 크게 향상됨을 보여준다. 이는 제안한 분해가 진단 도구이자 학습 신호 모두로서 가치 있음을 뒷받침한다.
ClinFusion: 포괄적 의료 이해를 위한 비전 중심 다중모달 LLM 시스템
ClinFusion: A Vision-Centric Multimodal LLM System for Holistic Medical Understanding
다중모달 대규모 언어 모델(MLLM)은 임상 실무를 혁신할 막대한 잠재력을 지니고 있으나, 의료 분야에 이를 배포하는 것은 근본적으로 비전 중심의 과제이다. 모델은 이질적인 2D 및 3D 의료 영상으로부터 지식을 흡수해야 하며, 평가 프로토콜은 방사선 전문의의 임상 실무와 부합해야 하고 정확하고 세밀하며 사실성 중심의 평가를 제공해야 한다. 본 논문에서는 이러한 한계를 체계적으로 해결하기 위해 포괄적 의료 이해를 위해 설계된 비전 중심 MLLM인 ClinFusion을 소개한다. 우리는 Cascade Spatial-Aware Locality Fusion 연산자를 특징으로 하는 구성적·계단식 비전 인코더 아키텍처를 제안하며, 이는 융합 인코더 내에서 다양한 2D 및 네이티브 3D 의료 영상 이해를 통합한다. 또한 지시 따르기(instruction following) 평가를 위한 MedIF-Bench와, 임상적으로 정렬되고 사실성 중심의 보고서 생성 평가를 위한 관심 영역(RoI) 기반 방법을 포함하는 비전 그라운딩(vision-grounded) 평가 프레임워크를 추가로 도입한다. ClinFusion이 시각적 질의응답, 보고서 생성, 지시 따르기에 이르는 2D 및 3D 다중모달 의료 벤치마크와 텍스트 의료 과제를 아우르는 포괄적 벤치마크 모음 전반에서 새로운 최첨단(state-of-the-art) 성능을 달성함을 보인다. 24개 벤치마크 중 20개에서 Hulu-Med, Lingshu 등 선도적인 오픈소스 의료 MLLM을 능가했으며, 16개 벤치마크 중 13개에서 GPT-5.2, Gemini-3-Flash와 같은 강력한 독점 모델보다 우수한 다중모달 능력을 보였고, 검색-증강 생성(RAG) 및 도구 지원 임상 워크플로를 위한 에이전트(agent) 도구 사용으로 더욱 확장할 수 있다. 방사선 전문의 자격을 갖춘 전문의들의 단맹 평가는 ClinFusion이 최상위 순위의 보고서를 생성함을 확인했으며, 우리의 RoI 기반 지표가 검토된 모든 자동 평가 지표 중 전문가 판단과 가장 강한 상관관계를 달성함을 검증했다.
토론
이 논문과 연결된 포럼 글이 아직 없습니다.