論文の概要: Explainable Artificial Intelligence in Biomedical Image Analysis: A Comprehensive Survey

• arxiv url: http://arxiv.org/abs/2507.07148v1
• Date: Wed, 09 Jul 2025 08:42:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-11 16:40:15.146921
• Title: Explainable Artificial Intelligence in Biomedical Image Analysis: A Comprehensive Survey
• Title（参考訳）: バイオメディカル画像解析における説明可能な人工知能:包括的調査
• Authors: Getamesay Haile Dagnaw, Yanming Zhu, Muhammad Hassan Maqsood, Wencheng Yang, Xingshuai Dong, Xuefei Yin, Alan Wee-Chung Liew,
• Abstract要約: 我々はXAI法を体系的に分類し,その基礎となる原理,強度,限界をバイオメディカルな文脈で分析する。 説明可能なバイオメディカルAIにおけるマルチモーダル学習と視覚言語モデルの役割について検討する。
• 参考スコア（独自算出の注目度）: 14.834301782789277
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Explainable artificial intelligence (XAI) has become increasingly important in biomedical image analysis to promote transparency, trust, and clinical adoption of DL models. While several surveys have reviewed XAI techniques, they often lack a modality-aware perspective, overlook recent advances in multimodal and vision-language paradigms, and provide limited practical guidance. This survey addresses this gap through a comprehensive and structured synthesis of XAI methods tailored to biomedical image analysis.We systematically categorize XAI methods, analyzing their underlying principles, strengths, and limitations within biomedical contexts. A modality-centered taxonomy is proposed to align XAI methods with specific imaging types, highlighting the distinct interpretability challenges across modalities. We further examine the emerging role of multimodal learning and vision-language models in explainable biomedical AI, a topic largely underexplored in previous work. Our contributions also include a summary of widely used evaluation metrics and open-source frameworks, along with a critical discussion of persistent challenges and future directions. This survey offers a timely and in-depth foundation for advancing interpretable DL in biomedical image analysis.
• Abstract（参考訳）: 説明可能な人工知能(XAI)は、DLモデルの透明性、信頼性、臨床導入を促進するために、バイオメディカル画像解析においてますます重要になっている。 いくつかの調査ではXAI技術についてレビューしているが、モダリティを意識した視点は欠如しており、近年のマルチモーダル・ヴィジュアル言語パラダイムの進歩を見落とし、限られた実践的ガイダンスを提供している。 本研究は, バイオメディカル画像解析に適したXAI法を包括的かつ構造化し, その基礎となる原理, 強度, 限界を分析し, 系統的にXAI法を分類する。 モダリティ中心の分類法が提案され、XAI法を特定のイメージングタイプと整合させ、モダリティの異なる解釈可能性の課題を浮き彫りにする。 本稿では,生物医学的AIにおけるマルチモーダル学習と視覚言語モデルの役割について考察する。 私たちのコントリビューションには、広く使用されている評価指標とオープンソースフレームワークの要約、永続的な課題と今後の方向性に関する批判的な議論も含まれています。 本調査は,生体画像解析において,解釈可能なDLを促進するための,タイムリーで詳細な基礎を提供する。

関連論文リスト

• PyTDC: A multimodal machine learning training, evaluation, and inference platform for biomedical foundation models [59.17570021208177]
  PyTDCは、マルチモーダルな生物学的AIモデルのための合理化されたトレーニング、評価、推論ソフトウェアを提供する機械学習プラットフォームである。 本稿では、PyTDCのアーキテクチャの構成要素と、我々の知る限り、導入したシングルセルドラッグターゲットMLタスクにおける第一種ケーススタディについて論じる。
  論文  参考訳（メタデータ） (2025-05-08T18:15:38Z)
• Self-eXplainable AI for Medical Image Analysis: A Survey and New Outlooks [9.93411316886105]
  Self-eXplainable AI (S-XAI)は、ディープラーニングモデルのトレーニングプロセスに説明可能性を直接組み込む。 本研究は,様々な画像モダリティと臨床応用を包括的に検討する。
  論文  参考訳（メタデータ） (2024-10-03T09:29:28Z)
• XAI meets Biology: A Comprehensive Review of Explainable AI in Bioinformatics Applications [5.91274133032321]
  説明可能なAI(XAI)は、バイオインフォマティクスにおけるAIモデルの透明性と解釈可能性を高めるための有望なソリューションとして登場した。 本総説では, バイオインフォマティクス分野における各種XAI技術とその応用について概説する。
  論文  参考訳（メタデータ） (2023-12-11T03:08:18Z)
• Validating polyp and instrument segmentation methods in colonoscopy through Medico 2020 and MedAI 2021 Challenges [58.32937972322058]
  メディコオートマチックポリープセグメンテーション(Medico 2020)と「メディコ:医療画像の透明性(MedAI 2021)」コンペティション。 本報告では, それぞれのコントリビューションを包括的に分析し, ベストパフォーマンスメソッドの強さを強調し, クリニックへの臨床翻訳の可能性について考察する。
  論文  参考訳（メタデータ） (2023-07-30T16:08:45Z)
• XrayGPT: Chest Radiographs Summarization using Medical Vision-Language Models [72.8965643836841]
  我々は,会話型医療ビジョン言語モデルであるXrayGPTを紹介する。 胸部X線写真に関するオープンエンドの質問を分析し、答えることができる。 自由テキストラジオグラフィーレポートから217kの対話的かつ高品質な要約を生成する。
  論文  参考訳（メタデータ） (2023-06-13T17:59:59Z)
• Explainable Deep Learning Methods in Medical Image Classification: A Survey [0.0]
  最先端のディープラーニングモデルは、異なるタイプの医療データの分類において、人間レベルの精度を達成した。 これらのモデルは、主に解釈可能性の欠如のために、臨床ではほとんど採用されていない。 ディープラーニングモデルのブラックボックス性は、これらのモデルの意思決定プロセスを説明するための戦略を考案する必要性を高めている。
  論文  参考訳（メタデータ） (2022-05-10T09:28:14Z)
• Explainable artificial intelligence (XAI) in deep learning-based medical image analysis [3.255042271092803]
  深層学習に基づく医用画像解析手法を分類するために,XAI基準の枠組みを導入する。 医用画像解析におけるXAI技術に関する論文は、その枠組みや解剖学的位置に応じて調査され分類される。 医療画像解析におけるXAIの今後の可能性について考察した。
  論文  参考訳（メタデータ） (2021-07-22T20:16:34Z)
• Deep Co-Attention Network for Multi-View Subspace Learning [73.3450258002607]
  マルチビューサブスペース学習のための深層コアテンションネットワークを提案する。 共通情報と相補情報の両方を敵意で抽出することを目的としている。 特に、新しいクロス再構成損失を使用し、ラベル情報を利用して潜在表現の構築を誘導する。
  論文  参考訳（メタデータ） (2021-02-15T18:46:44Z)
• Survey of XAI in digital pathology [3.4591414173342643]
  本稿では,デジタル病理学におけるXAIについて,特定の特徴とニーズを持つ医用画像のサブディシプリタであるXAIについて紹介する。 病理画像診断における深層学習手法に関する現在のXAI技術の概要について概説する。 そこで我々は,XAIランドスケープの不可欠な部分として不確実性推定手法を取り入れた。
  論文  参考訳（メタデータ） (2020-08-14T13:11:54Z)

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。