論文の概要: Single Domain Generalization in Diabetic Retinopathy: A Neuro-Symbolic Learning Approach

• arxiv url: http://arxiv.org/abs/2509.02918v1
• Date: Wed, 03 Sep 2025 01:07:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-04 21:40:46.3762
• Title: Single Domain Generalization in Diabetic Retinopathy: A Neuro-Symbolic Learning Approach
• Title（参考訳）: 糖尿病網膜症における単一領域の一般化 : ニューロシンボリックラーニングアプローチ
• Authors: Midhat Urooj, Ayan Banerjee, Farhat Shaikh, Kuntal Thakur, Sandeep Gupta,
• Abstract要約: KG-DGは糖尿病網膜症(DR)分類のための神経象徴的枠組みである。 視覚変換器と専門家誘導のシンボル推論を統合し、目に見えない領域をまたいだ一般化を可能にする。
• 参考スコア（独自算出の注目度）: 0.5581472054346949
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Domain generalization remains a critical challenge in medical imaging, where models trained on single sources often fail under real-world distribution shifts. We propose KG-DG, a neuro-symbolic framework for diabetic retinopathy (DR) classification that integrates vision transformers with expert-guided symbolic reasoning to enable robust generalization across unseen domains. Our approach leverages clinical lesion ontologies through structured, rule-based features and retinal vessel segmentation, fusing them with deep visual representations via a confidence-weighted integration strategy. The framework addresses both single-domain generalization (SDG) and multi-domain generalization (MDG) by minimizing the KL divergence between domain embeddings, thereby enforcing alignment of high-level clinical semantics. Extensive experiments across four public datasets (APTOS, EyePACS, Messidor-1, Messidor-2) demonstrate significant improvements: up to a 5.2% accuracy gain in cross-domain settings and a 6% improvement over baseline ViT models. Notably, our symbolic-only model achieves a 63.67% average accuracy in MDG, while the complete neuro-symbolic integration achieves the highest accuracy compared to existing published baselines and benchmarks in challenging SDG scenarios. Ablation studies reveal that lesion-based features (84.65% accuracy) substantially outperform purely neural approaches, confirming that symbolic components act as effective regularizers beyond merely enhancing interpretability. Our findings establish neuro-symbolic integration as a promising paradigm for building clinically robust, and domain-invariant medical AI systems.
• Abstract（参考訳）: ドメインの一般化は医療画像において重要な課題であり、単一のソースで訓練されたモデルは現実世界の分布シフトで失敗することが多い。 糖尿病網膜症(DR)分類のための神経象徴的枠組みであるKG-DGを提案する。 提案手法は, 構造的, 規則的特徴, 網膜血管セグメンテーションを通じて臨床病変のオントロジーを活用し, 信頼度の高い統合戦略を通じて深部視覚的表現と融合する。 このフレームワークは、単一ドメインの一般化(SDG)と多ドメインの一般化(MDG)の両方に対処し、ドメイン埋め込み間のKLのばらつきを最小限に抑え、高いレベルの臨床的意味論のアライメントを強制する。 4つの公開データセット(APTOS、EyePACS、Messidor-1、Messidor-2)にわたる大規模な実験では、クロスドメイン設定の精度が最大5.2%向上し、ベースラインのViTモデルよりも6%向上した。 特に,シンボルのみのモデルではMDGの平均精度は63.67%,完全ニューロシンボリック統合では既存のSDGシナリオのベースラインやベンチマークに比べて高い精度を達成している。 アブレーション研究により、病変ベースの特徴(84.65%の精度)は純粋に神経学的アプローチを大幅に上回っており、シンボル成分が単に解釈可能性を高める以上の効果的な正則化剤として機能することを確認している。 臨床的に堅牢でドメイン不変の医療AIシステムを構築するための,将来的なパラダイムとして,ニューロシンボリックな統合が確立されている。

関連論文リスト

• DRetNet: A Novel Deep Learning Framework for Diabetic Retinopathy Diagnosis [8.234135343778993]
  現在のDR検出システムは、画質の悪い画像、解釈可能性の欠如、ドメイン固有の知識の不十分な統合に苦慮している。 3つの革新的なコントリビューションを統合する新しいフレームワークを紹介します。 フレームワークの精度は92.7%、精度は92.5%、リコールは92.6%、F1スコアは92.5%、AUCは97.8%、mAPは0.96、MCCは0.85である。
  論文  参考訳（メタデータ） (2025-09-01T02:27:16Z)
• ConvNeXt with Histopathology-Specific Augmentations for Mitotic Figure Classification [1.398256265458105]
  ドメインカバレッジを最大化する軽量なConvNeXtアーキテクチャに基づくソリューションを提案する。 予備のリーダーボードでは,上位項目の順に0.8961のバランスの取れた精度を達成した。
  論文  参考訳（メタデータ） (2025-08-29T13:18:32Z)
• Learning from Heterogeneous Structural MRI via Collaborative Domain Adaptation for Late-Life Depression Assessment [24.340328016766183]
  T1強調MRIを用いたLDD検出のための協調的ドメイン適応フレームワークを提案する。 このフレームワークは、ラベル付きソースデータに対する教師付きトレーニング、自己教師付きターゲット特徴適応、ラベルなしターゲットデータに対する協調トレーニングの3段階で構成されている。 マルチサイトT1強調MRIデータを用いて行った実験により、このフレームワークは最先端の非教師なし領域適応法より一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2025-07-30T01:38:32Z)
• A Dual-Task Synergy-Driven Generalization Framework for Pancreatic Cancer Segmentation in CT Scans [10.62594407632477]
  膵癌は、その顕著な有病率と死亡率によって特徴づけられ、正確な病変の脱線を要求される。 本稿では, ピクセルレベルの分類と回帰処理を相乗化して, 病変を正確に記述する一般化フレームワークを提案する。 膵癌分節タスクの難易度を9.51%改善した。
  論文  参考訳（メタデータ） (2025-05-03T00:54:00Z)
• Low-Rank Adaptive Structural Priors for Generalizable Diabetic Retinopathy Grading [3.4531529749205347]
  既存のディープラーニングモデルとのシームレスな統合を目的としたプラグイン・アンド・プレイフレームワークであるLoASP(Lo-rank Adaptive Structure Priors)を紹介した。 LoASPは糖尿病網膜症診断の複雑さに微調整された適応的構造表現を学習することで一般化を改善する。 視覚化によると、学習された構造上の先行は、血管と病変の複雑な構造と直感的に一致している。
  論文  参考訳（メタデータ） (2025-04-27T21:40:02Z)
• L-SFAN: Lightweight Spatially-focused Attention Network for Pain Behavior Detection [44.016805074560295]
  慢性的な腰痛 (CLBP) は世界中の何百万もの患者を悩ませており、個人の健康や医療システムに対する経済的負担に大きな影響を及ぼす。 人工知能(AI)とディープラーニングは、リハビリ戦略を改善するために痛みに関連する行動を分析するための有望な道を提供するが、畳み込みニューラルネットワーク(CNN)を含む現在のモデルには限界がある。 我々は、モーションキャプチャーと表面筋電図センサからデータの空間的時間的相互作用をキャプチャする2Dフィルタを組み込んだ軽量CNNアーキテクチャであるhbox EmoL-SFANを紹介する。
  論文  参考訳（メタデータ） (2024-06-07T12:01:37Z)
• Semantic segmentation of surgical hyperspectral images under geometric domain shifts [69.91792194237212]
  本稿では、幾何学的アウト・オブ・ディストリビューション(OOD)データの存在下で、最先端のセマンティックセグメンテーションネットワークを初めて分析する。 有機移植(Organ transplantation)と呼ばれる専用の拡張技術により、一般化可能性にも対処する。 提案手法は,SOA DSCの最大67 % (RGB) と90% (HSI) を改善し,実際のOODテストデータ上での分配内性能と同等の性能を示す。
  論文  参考訳（メタデータ） (2023-03-20T09:50:07Z)
• Generalizability of Adversarial Robustness Under Distribution Shifts [57.767152566761304]
  本研究は, 実証的, 証明された敵対的堅牢性間の相互作用と, ドメインの一般化を両立させるための第一歩を踏み出した。 複数のドメインでロバストモデルをトレーニングし、その正確性とロバスト性を評価する。 本研究は, 現実の医療応用をカバーするために拡張され, 敵の増大は, クリーンデータ精度に最小限の影響を伴って, 強靭性の一般化を著しく促進する。
  論文  参考訳（メタデータ） (2022-09-29T18:25:48Z)
• Performance of Dual-Augmented Lagrangian Method and Common Spatial Patterns applied in classification of Motor-Imagery BCI [68.8204255655161]
  運動画像に基づく脳-コンピュータインタフェース(MI-BCI)は、神経リハビリテーションのための画期的な技術になる可能性がある。 使用する脳波信号のノイズの性質のため、信頼性の高いBCIシステムは特徴の最適化と抽出のために特別な手順を必要とする。
  論文  参考訳（メタデータ） (2020-10-13T20:50:13Z)
• Shape-aware Meta-learning for Generalizing Prostate MRI Segmentation to Unseen Domains [68.73614619875814]
  前立腺MRIのセグメント化におけるモデル一般化を改善するために,新しい形状認識メタラーニング手法を提案する。 実験結果から,本手法は未確認領域の6つの設定すべてにおいて,最先端の一般化手法を一貫して上回っていることが明らかとなった。
  論文  参考訳（メタデータ） (2020-07-04T07:56:02Z)

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。