論文の概要: Training-free Test-time Improvement for Explainable Medical Image Classification

• arxiv url: http://arxiv.org/abs/2506.18070v1
• Date: Sun, 22 Jun 2025 15:37:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-24 19:06:36.729338
• Title: Training-free Test-time Improvement for Explainable Medical Image Classification
• Title（参考訳）: 説明可能な医用画像分類のための無トレーニングテスト時間の改善
• Authors: Hangzhou He, Jiachen Tang, Lei Zhu, Kaiwen Li, Yanye Lu,
• Abstract要約: 医用画像分類のための訓練不要な混乱概念識別戦略を提案する。 提案手法は,ソース領域の精度を犠牲にすることなく,領域外の性能を向上させる。 本手法は皮膚と白血球の双方で有効である。
• 参考スコア（独自算出の注目度）: 11.320534249593171
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep learning-based medical image classification techniques are rapidly advancing in medical image analysis, making it crucial to develop accurate and trustworthy models that can be efficiently deployed across diverse clinical scenarios. Concept Bottleneck Models (CBMs), which first predict a set of explainable concepts from images and then perform classification based on these concepts, are increasingly being adopted for explainable medical image classification. However, the inherent explainability of CBMs introduces new challenges when deploying trained models to new environments. Variations in imaging protocols and staining methods may induce concept-level shifts, such as alterations in color distribution and scale. Furthermore, since CBM training requires explicit concept annotations, fine-tuning models solely with image-level labels could compromise concept prediction accuracy and faithfulness - a critical limitation given the high cost of acquiring expert-annotated concept labels in medical domains. To address these challenges, we propose a training-free confusion concept identification strategy. By leveraging minimal new data (e.g., 4 images per class) with only image-level labels, our approach enhances out-of-domain performance without sacrificing source domain accuracy through two key operations: masking misactivated confounding concepts and amplifying under-activated discriminative concepts. The efficacy of our method is validated on both skin and white blood cell images. Our code is available at: https://github.com/riverback/TF-TTI-XMed.
• Abstract（参考訳）: 深層学習に基づく医用画像分類技術は、医療画像解析において急速に進歩しており、様々な臨床シナリオに効果的に展開できる正確で信頼性の高いモデルを開発することが重要である。 画像から説明可能な概念の集合を予測し、これらの概念に基づいて分類を行う概念ボトルネックモデル(CBM)は、説明可能な医用画像分類にますます採用されている。 しかし、CBMの本質的な説明責任は、トレーニングされたモデルを新しい環境にデプロイする際の新たな課題をもたらす。 画像プロトコルや染色法の変化は、色分布やスケールの変化など、概念レベルのシフトを引き起こす可能性がある。 さらに、CBMトレーニングは明示的な概念アノテーションを必要とするため、イメージレベルのラベルのみを用いた微調整モデルは、概念予測の正確性と忠実性を損なう可能性がある。 これらの課題に対処するために、トレーニング不要な混乱概念識別戦略を提案する。 画像レベルのラベルのみによる最小限の新たなデータ(例:クラス4枚)を活用することにより,2つの重要な操作により,ソースドメインの精度を犠牲にすることなく,ドメイン外性能を向上させる。 本法の有効性は皮膚および白血球画像で検証した。 私たちのコードは、https://github.com/riverback/TF-TTI-XMed.comで利用可能です。

関連論文リスト

• Interactive Medical Image Analysis with Concept-based Similarity Reasoning [32.38056136570339]
  概念ベースの類似推論ネットワーク(CSR)は、固有の概念解釈を備えたパッチレベルのプロトタイプを提供する。 CSRは3つのバイオメディカルデータセットで、最先端の解釈可能な手法を最大4.5%改善する。
  論文  参考訳（メタデータ） (2025-03-10T02:52:47Z)
• Interpretable Few-Shot Retinal Disease Diagnosis with Concept-Guided Prompting of Vision-Language Models [11.076403908252754]
  眼底画像から網膜疾患の解釈可能な概念を抽出するための2つの重要な戦略を実装した。 本手法は網膜疾患の分類を改善し,少ないショットとゼロショットの検出を増強する。 本手法は,実際の臨床応用に向けて,解釈可能かつ効率的な網膜疾患認識に向けた重要なステップである。
  論文  参考訳（メタデータ） (2025-03-04T12:03:42Z)
• Integrating Clinical Knowledge into Concept Bottleneck Models [18.26357481872999]
  概念ボトルネックモデル(CBM)は最終出力を予測する前に人間の解釈可能な概念を予測する。 臨床知識の統合によるCBMの洗練, 臨床医の意思決定プロセスとの整合性の向上を提案する。 医療画像の2つのデータセット(白血球と皮膚画像)にアプローチを検証した。
  論文  参考訳（メタデータ） (2024-07-09T07:03:42Z)
• MICA: Towards Explainable Skin Lesion Diagnosis via Multi-Level Image-Concept Alignment [4.861768967055006]
  本稿では, 医療画像と臨床関連概念を多層的に意味的に整合させるマルチモーダル説明型疾患診断フレームワークを提案する。 提案手法は, モデル解釈可能性を維持しながら, 概念検出と疾患診断に高い性能とラベル効率を実現する。
  論文  参考訳（メタデータ） (2024-01-16T17:45:01Z)
• Robust and Interpretable Medical Image Classifiers via Concept Bottleneck Models [49.95603725998561]
  本稿では,自然言語の概念を用いた堅牢で解釈可能な医用画像分類器を構築するための新しいパラダイムを提案する。 具体的には、まず臨床概念をGPT-4から検索し、次に視覚言語モデルを用いて潜在画像の特徴を明示的な概念に変換する。
  論文  参考訳（メタデータ） (2023-10-04T21:57:09Z)
• LVM-Med: Learning Large-Scale Self-Supervised Vision Models for Medical Imaging via Second-order Graph Matching [59.01894976615714]
  LVM-Medは、大規模医療データセットに基づいてトレーニングされた、最初のディープネットワークファミリーである。 55の公開データセットから約13万の医療画像を収集しました。 LVM-Medは、多くの最先端の教師付き、自己監督型、基礎モデルよりも経験的に優れている。
  論文  参考訳（メタデータ） (2023-06-20T22:21:34Z)
• Rethinking Semi-Supervised Medical Image Segmentation: A Variance-Reduction Perspective [51.70661197256033]
  医用画像セグメンテーションのための階層化グループ理論を用いた半教師付きコントラスト学習フレームワークARCOを提案する。 まず、分散還元推定の概念を用いてARCOを構築することを提案し、特定の分散還元技術が画素/ボクセルレベルのセグメンテーションタスクにおいて特に有用であることを示す。 5つの2D/3D医療データセットと3つのセマンティックセグメンテーションデータセットのラベル設定が異なる8つのベンチマークで、我々のアプローチを実験的に検証する。
  論文  参考訳（メタデータ） (2023-02-03T13:50:25Z)
• Malignancy Prediction and Lesion Identification from Clinical Dermatological Images [65.1629311281062]
  臨床皮膚画像から機械学習に基づく悪性度予測と病変の同定を検討する。 まず, サブタイプや悪性度に関わらず画像に存在するすべての病変を同定し, その悪性度を推定し, 凝集により, 画像レベルの悪性度も生成する。
  論文  参考訳（メタデータ） (2021-04-02T20:52:05Z)
• Explaining Clinical Decision Support Systems in Medical Imaging using Cycle-Consistent Activation Maximization [112.2628296775395]
  ディープニューラルネットワークを用いた臨床意思決定支援は、着実に関心が高まりつつあるトピックとなっている。 臨床医は、その根底にある意思決定プロセスが不透明で理解しにくいため、この技術の採用をためらうことが多い。 そこで我々は,より小さなデータセットであっても,分類器決定の高品質な可視化を生成するCycleGANアクティベーションに基づく,新たな意思決定手法を提案する。
  論文  参考訳（メタデータ） (2020-10-09T14:39:27Z)
• Collaborative Unsupervised Domain Adaptation for Medical Image Diagnosis [102.40869566439514]
  我々は、Unsupervised Domain Adaptation (UDA)を通じて、対象タスクにおける学習を支援するために、関連ドメインからの豊富なラベル付きデータを活用しようとしている。 クリーンなラベル付きデータやサンプルを仮定するほとんどのUDAメソッドが等しく転送可能であるのとは異なり、協調的教師なしドメイン適応アルゴリズムを革新的に提案する。 提案手法の一般化性能を理論的に解析し,医用画像と一般画像の両方で実験的に評価する。
  論文  参考訳（メタデータ） (2020-07-05T11:49:17Z)

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。