論文の概要: MERA: Multimodal and Multiscale Self-Explanatory Model with Considerably Reduced Annotation for Lung Nodule Diagnosis

• arxiv url: http://arxiv.org/abs/2504.19357v1
• Date: Sun, 27 Apr 2025 20:48:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-02 19:15:54.252872
• Title: MERA: Multimodal and Multiscale Self-Explanatory Model with Considerably Reduced Annotation for Lung Nodule Diagnosis
• Title（参考訳）: MERA:肺結節診断のためのアノテーションを考慮に入れたマルチモーダル・マルチスケール自己説明モデル
• Authors: Jiahao Lu, Chong Yin, Silvia Ingala, Kenny Erleben, Michael Bachmann Nielsen, Sune Darkner,
• Abstract要約: 肺がんは世界中のがん関連死亡の主な原因であり、早期発見の重要性を強調している。 説明可能な人工知能(XAI)の進歩にもかかわらず、多くの既存のシステムは明確で包括的な説明を提供するのに苦労している。 本研究は,肺結節の診断を目的としたマルチモーダル・マルチスケール自己説明モデルであるMERAを紹介する。
• 参考スコア（独自算出の注目度）: 6.323883478440015
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Lung cancer, a leading cause of cancer-related deaths globally, emphasises the importance of early detection for better patient outcomes. Pulmonary nodules, often early indicators of lung cancer, necessitate accurate, timely diagnosis. Despite Explainable Artificial Intelligence (XAI) advances, many existing systems struggle providing clear, comprehensive explanations, especially with limited labelled data. This study introduces MERA, a Multimodal and Multiscale self-Explanatory model designed for lung nodule diagnosis with considerably Reduced Annotation requirements. MERA integrates unsupervised and weakly supervised learning strategies (self-supervised learning techniques and Vision Transformer architecture for unsupervised feature extraction) and a hierarchical prediction mechanism leveraging sparse annotations via semi-supervised active learning in the learned latent space. MERA explains its decisions on multiple levels: model-level global explanations via semantic latent space clustering, instance-level case-based explanations showing similar instances, local visual explanations via attention maps, and concept explanations using critical nodule attributes. Evaluations on the public LIDC dataset show MERA's superior diagnostic accuracy and self-explainability. With only 1% annotated samples, MERA achieves diagnostic accuracy comparable to or exceeding state-of-the-art methods requiring full annotation. The model's inherent design delivers comprehensive, robust, multilevel explanations aligned closely with clinical practice, enhancing trustworthiness and transparency. Demonstrated viability of unsupervised and weakly supervised learning lowers the barrier to deploying diagnostic AI in broader medical domains. Our complete code is open-source available: https://github.com/diku-dk/credanno.
• Abstract（参考訳）: 肺がんは世界中のがん関連死亡の主な原因であり、早期発見の重要性を強調している。 肺結節は、しばしば早期の肺がんの指標であり、正確な、タイムリーな診断を必要とする。 XAI(Explainable Artificial Intelligence)の進歩にもかかわらず、既存のシステムの多くは、明確に包括的な説明を提供するのに苦労している。 本研究は,肺結節診断のためのマルチモーダル・マルチスケール自己説明モデルであるMERAを紹介する。 MERAは、教師なしおよび弱教師付き学習戦略(教師なし学習技術と教師なし特徴抽出のためのビジョントランスフォーマーアーキテクチャ)と、学習分野における半教師付きアクティブラーニングによるスパースアノテーションを活用した階層的予測機構を統合する。 セマンティックな潜在空間クラスタリングによるモデルレベルのグローバルな説明、類似のインスタンスを示すインスタンスレベルのケースベースの説明、アテンションマップによるローカルな視覚的説明、クリティカルな結節属性を用いた概念的説明。 LIDCデータセットの評価は、MERAの優れた診断精度と自己説明可能性を示している。 1%のアノテートサンプルしか持たないMERAは、完全なアノテーションを必要とする最先端の手法に匹敵する診断精度を達成している。 モデル固有の設計は、総合的で堅牢で多段階的な説明を臨床実践と密接に一致させ、信頼性と透明性を高める。 教師なしおよび弱教師付き学習の実証的生存性は、より広い医療領域に診断AIを配置する際の障壁を低くする。 私たちの完全なコードは、オープンソースで利用可能です。

関連論文リスト

• REMEMBER: Retrieval-based Explainable Multimodal Evidence-guided Modeling for Brain Evaluation and Reasoning in Zero- and Few-shot Neurodegenerative Diagnosis [6.446611581074913]
  検索型マルチモーダル誘導型脳評価・推論モデルREMEMBERについて紹介する。 REMEMBERは、脳MRIスキャンを用いたゼロショットと少数ショットのアルツハイマーの診断を容易にする新しい機械学習フレームワークである。 実験結果から,REMEMBERはゼロショットと少数ショットの堅牢な性能を実現することが示された。
  論文  参考訳（メタデータ） (2025-04-12T22:06:15Z)
• Adversarial Vessel-Unveiling Semi-Supervised Segmentation for Retinopathy of Prematurity Diagnosis [9.683492465191241]
  広範囲な手動血管アノテーションを必要とせず,ROP研究を進めるための半教師付きセグメンテーションフレームワークを提案する。 ラベル付きデータにのみ依存する従来の手法とは異なり,本手法では不確実性重み付き容器公開モジュールとドメイン対向学習を統合している。 我々は、パブリックデータセットと社内ROPデータセットに対するアプローチを検証し、複数の評価指標で優れたパフォーマンスを示す。
  論文  参考訳（メタデータ） (2024-11-14T02:40:34Z)
• Boosting Medical Image-based Cancer Detection via Text-guided Supervision from Reports [68.39938936308023]
  本研究では, 高精度ながん検出を実現するための新しいテキスト誘導学習法を提案する。 本手法は,大規模プレトレーニングVLMによる臨床知識の活用により,一般化能力の向上が期待できる。
  論文  参考訳（メタデータ） (2024-05-23T07:03:38Z)
• Enhancing Deep Learning Model Explainability in Brain Tumor Datasets using Post-Heuristic Approaches [1.325953054381901]
  本研究では,意思決定過程における説明可能性の欠如について考察する。 主な焦点は、LIMEライブラリとLIMEイメージ説明器によって生成された説明を精査することである。 提案したポストヒューリスティックなアプローチは,より堅牢で具体的な結果をもたらす,顕著な進歩を示す。
  論文  参考訳（メタデータ） (2024-04-30T13:59:13Z)
• Eye-gaze Guided Multi-modal Alignment for Medical Representation Learning [65.54680361074882]
  アイゲイズガイドマルチモーダルアライメント(EGMA)フレームワークは、アイゲイズデータを利用して、医用視覚的特徴とテキスト的特徴のアライメントを改善する。 我々は4つの医療データセット上で画像分類と画像テキスト検索の下流タスクを行う。
  論文  参考訳（メタデータ） (2024-03-19T03:59:14Z)
• MLVICX: Multi-Level Variance-Covariance Exploration for Chest X-ray Self-Supervised Representation Learning [6.4136876268620115]
  MLVICXは、胸部X線画像からの埋め込みの形でリッチな表現をキャプチャするアプローチである。 自己教師付き胸部X線表現学習におけるMLVICXの性能を示す。
  論文  参考訳（メタデータ） (2024-03-18T06:19:37Z)
• Pixel-Level Explanation of Multiple Instance Learning Models in Biomedical Single Cell Images [52.527733226555206]
  複数のインスタンス学習モデルを説明するための4つの属性法について検討する。 急性骨髄性白血病の2つのデータセットと100万以上の単細胞画像について検討した。 我々は、属性マップと医療専門家の注釈を比較し、モデルの意思決定が人間の基準とどのように異なるかを確認する。
  論文  参考訳（メタデータ） (2023-03-15T14:00:11Z)
• NeuroExplainer: Fine-Grained Attention Decoding to Uncover Cortical Development Patterns of Preterm Infants [73.85768093666582]
  我々はNeuroExplainerと呼ばれる説明可能な幾何学的深層ネットワークを提案する。 NeuroExplainerは、早産に伴う幼児の皮質発達パターンの解明に使用される。
  論文  参考訳（メタデータ） (2023-01-01T12:48:12Z)
• OXnet: Omni-supervised Thoracic Disease Detection from Chest X-rays [7.810011959069686]
  OXnetは、最初の深いオムニ監視胸部疾患検出ネットワークです。 CXR診断には可能な限り多くの監視機能を使用する。 競争力に優れており、マージンも高い。
  論文  参考訳（メタデータ） (2021-04-07T16:12:31Z)
• Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
  ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。 胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。 本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
  論文  参考訳（メタデータ） (2021-02-26T02:29:30Z)
• Inheritance-guided Hierarchical Assignment for Clinical Automatic Diagnosis [50.15205065710629]
  臨床診断は、臨床ノートに基づいて患者に診断符号を割り当てることを目的としており、臨床意思決定において重要な役割を担っている。 本稿では,臨床自動診断のための継承誘導階層と共起グラフの伝播を組み合わせた新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2021-01-27T13:16:51Z)
• A Systematic Approach to Featurization for Cancer Drug Sensitivity Predictions with Deep Learning [49.86828302591469]
  35,000以上のニューラルネットワークモデルをトレーニングし、一般的な成果化技術を駆使しています。 RNA-seqは128以上のサブセットであっても非常に冗長で情報的であることがわかった。
  論文  参考訳（メタデータ） (2020-04-30T20:42:17Z)

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。