論文の概要: GlaBoost: A multimodal Structured Framework for Glaucoma Risk Stratification
- arxiv url: http://arxiv.org/abs/2508.03750v1
- Date: Sun, 03 Aug 2025 22:02:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-07 20:09:22.363572
- Title: GlaBoost: A multimodal Structured Framework for Glaucoma Risk Stratification
- Title（参考訳）: GlaBoost: 緑内障リスク階層化のためのマルチモーダル構造化フレームワーク
- Authors: Cheng Huang, Weizheng Xie, Karanjit Kooner, Tsengdar Lee, Jui-Kai Wang, Jia Zhang,
- Abstract要約: GlaBoostは、構造化された臨床特徴、基礎画像の埋め込み、緑内障のリスク予測のための専門家によるテキスト記述を統合している。
実際のアノテートデータセットで実施された実験は、GlaBoostがベースラインモデルを大幅に上回っていることを示している。
- 参考スコア（独自算出の注目度）: 4.570357976534648
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Early and accurate detection of glaucoma is critical to prevent irreversible vision loss. However, existing methods often rely on unimodal data and lack interpretability, limiting their clinical utility. In this paper, we present GlaBoost, a multimodal gradient boosting framework that integrates structured clinical features, fundus image embeddings, and expert-curated textual descriptions for glaucoma risk prediction. GlaBoost extracts high-level visual representations from retinal fundus photographs using a pretrained convolutional encoder and encodes free-text neuroretinal rim assessments using a transformer-based language model. These heterogeneous signals, combined with manually assessed risk scores and quantitative ophthalmic indicators, are fused into a unified feature space for classification via an enhanced XGBoost model. Experiments conducted on a real-world annotated dataset demonstrate that GlaBoost significantly outperforms baseline models, achieving a validation accuracy of 98.71%. Feature importance analysis reveals clinically consistent patterns, with cup-to-disc ratio, rim pallor, and specific textual embeddings contributing most to model decisions. GlaBoost offers a transparent and scalable solution for interpretable glaucoma diagnosis and can be extended to other ophthalmic disorders.
- Abstract（参考訳）: 緑内障の早期かつ正確な検出は、不可逆的な視力喪失を防ぐために重要である。
しかし、既存の手法は、しばしば単調なデータに依存し、解釈可能性に欠け、臨床効果を制限している。
本稿では,GlaBoostについて述べる。GlaBoostは構造的臨床特徴,基底像の埋め込み,緑内障リスク予測のための専門家によるテキスト記述を統合した多モード勾配促進フレームワークである。
GlaBoostは、事前訓練された畳み込みエンコーダを用いて網膜基底写真から高レベルの視覚表現を抽出し、トランスフォーマーベースの言語モデルを用いて自由テキストニューロレチナリムアセスメントを符号化する。
これらの異種信号は、手動で評価されたリスクスコアと定量的眼科的指標とを組み合わせて、拡張XGBoostモデルを介して、統一された特徴空間に融合される。
実際のアノテートデータセットで行われた実験では、グラブースがベースラインモデルを大幅に上回っており、98.71%の検証精度が達成されている。
特徴重要度分析は、カップ・ツー・ディスク比、リム・パララー、およびモデル決定に最も寄与する特定のテキスト埋め込みを含む、臨床的に一貫したパターンを明らかにする。
GlaBoostは、解釈可能な緑内障診断のための透明でスケーラブルなソリューションを提供し、他の眼疾患にも拡張することができる。
関連論文リスト
- Enhancing Fundus Image-based Glaucoma Screening via Dynamic Global-Local Feature Integration [26.715346685730484]
特徴抽出のための最適境界を自律的に決定する自己適応型注意窓を提案する。
また,グローバルな特徴とローカルな特徴を,特徴線形読み出しによって効果的に融合するマルチヘッドアテンション機構を導入する。
緑内障の分類において,本手法が優れた精度とロバスト性を実現することを示す実験結果が得られた。
論文 参考訳（メタデータ） (2025-04-01T05:28:14Z) - Rethinking Glaucoma Calibration: Voting-Based Binocular and Metadata Integration [3.5497988595874737]
緑内障(英: Glaucoma)は、視神経を損傷し、視力喪失を招き、世界中の視覚障害の主要な原因の一つである。
近年,緑内障の校正を中心に研究が進められている。
本稿では,V-ViT(Voting-based ViT)を提案する。
論文 参考訳（メタデータ） (2025-03-24T13:09:47Z) - GlaLSTM: A Concurrent LSTM Stream Framework for Glaucoma Detection via Biomarker Mining [5.856860259247283]
緑内障検出のための新しいLSTMストリームフレームワークであるGlaLSTMを提案する。
画像から緑内障を主に検出する従来のCNNベースのモデルとは異なり、GlaLSTMはより深い解釈性を提供する。
論文 参考訳（メタデータ） (2024-08-28T06:08:46Z) - Multi-scale Spatio-temporal Transformer-based Imbalanced Longitudinal
Learning for Glaucoma Forecasting from Irregular Time Series Images [45.894671834869975]
緑内障は、進行性視神経線維損傷と不可逆性失明を引き起こす主要な眼疾患の1つである。
逐次画像入力に適した変換器アーキテクチャに基づくマルチスケール時空間変換器ネットワーク(MST-former)を提案する。
本手法は, 軽度認知障害とアルツハイマー病の予測に90.3%の精度で, アルツハイマー病神経画像イニシアチブ(ADNI)MRIデータセットに優れた一般化能力を示す。
論文 参考訳（メタデータ） (2024-02-21T02:16:59Z) - Cross-modal Clinical Graph Transformer for Ophthalmic Report Generation [116.87918100031153]
眼科報告生成(ORG)のためのクロスモーダルな臨床グラフ変換器(CGT)を提案する。
CGTは、デコード手順を駆動する事前知識として、臨床関係を視覚特徴に注入する。
大規模FFA-IRベンチマークの実験は、提案したCGTが従来のベンチマーク手法より優れていることを示した。
論文 参考訳（メタデータ） (2022-06-04T13:16:30Z) - Assessing glaucoma in retinal fundus photographs using Deep Feature
Consistent Variational Autoencoders [63.391402501241195]
緑内障は症状が重くなるまで無症状のままでいるため、検出が困難である。
緑内障の早期診断は機能的,構造的,臨床的評価に基づいて行われることが多い。
ディープラーニング手法はこのジレンマを、マーカー識別段階をバイパスし、ハイレベルな情報を分析してデータを分類することで部分的に解決している。
論文 参考訳（メタデータ） (2021-10-04T16:06:49Z) - 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) - Weakly-Supervised Cross-Domain Adaptation for Endoscopic Lesions
Segmentation [79.58311369297635]
異なるデータセットにまたがるトランスファー可能なドメイン不変知識を探索できる,新しい弱い教師付き病巣移動フレームワークを提案する。
wasserstein quantified transferability frameworkは、広い範囲の転送可能なコンテキスト依存性を強調するために開発されている。
新規な自己監督型擬似ラベル生成器は、送信困難かつ転送容易なターゲットサンプルの両方に対して、確実な擬似ピクセルラベルを等しく提供するように設計されている。
論文 参考訳（メタデータ） (2020-12-08T02:26:03Z) - Clinically Verified Hybrid Deep Learning System for Retinal Ganglion
Cells Aware Grading of Glaucomatous Progression [10.491291541765342]
緑内障は世界第2位の盲目の原因である。
本稿では, 緑内障の診断と重症度評価のためのRCC萎縮症に対する新たな戦略を提案する。
論文 参考訳（メタデータ） (2020-10-08T10:01:48Z) - Modeling and Enhancing Low-quality Retinal Fundus Images [167.02325845822276]
低画質の眼底画像は臨床観察における不確実性を高め、誤診のリスクを引き起こす。
本稿では,グローバルな劣化要因を抑えるために,臨床指向の基盤拡張ネットワーク(cofe-Net)を提案する。
合成画像と実画像の両方の実験により、我々のアルゴリズムは網膜の細部を失うことなく、低品質の眼底画像を効果的に補正することを示した。
論文 参考訳（メタデータ） (2020-05-12T08:01:16Z)
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。