論文の概要: ProtoMedX: Towards Explainable Multi-Modal Prototype Learning for Bone Health Classification

• arxiv url: http://arxiv.org/abs/2509.14830v2
• Date: Thu, 09 Oct 2025 14:54:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-10 15:34:28.688784
• Title: ProtoMedX: Towards Explainable Multi-Modal Prototype Learning for Bone Health Classification
• Title（参考訳）: ProtoMedX: 骨の健康分類のための説明可能なマルチモーダル・プロトタイプ学習を目指して
• Authors: Alvaro Lopez Pellicer, Andre Mariucci, Plamen Angelov, Marwan Bukhari, Jemma G. Kerns,
• Abstract要約: ProtoMedXはマルチモーダル(マルチモーダル)モデルであり、腰椎のDEXAスキャンと患者の記録の両方を使用する。 視覚のみのタスクでは87.58%、マルチモーダル版では89.8%の精度を達成しており、どちらも既存の手法を超越している。
• 参考スコア（独自算出の注目度）: 5.29568690662347
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Bone health studies are crucial in medical practice for the early detection and treatment of Osteopenia and Osteoporosis. Clinicians usually make a diagnosis based on densitometry (DEXA scans) and patient history. The applications of AI in this field are ongoing research. Most successful methods rely on deep learning models that use vision alone (DEXA/X-ray imagery) and focus on prediction accuracy, while explainability is often disregarded and left to post hoc assessments of input contributions. We propose ProtoMedX, a multi-modal (multimodal) model that uses both DEXA scans of the lumbar spine and patient records. ProtoMedX's prototype-based architecture is explainable by design, which is crucial for medical applications, especially in the context of the upcoming EU AI Act, as it allows explicit analysis of model decisions, including incorrect ones. ProtoMedX demonstrates state-of-the-art performance in bone health classification while also providing explanations that can be visually understood by clinicians. Using a dataset of 4,160 real NHS patients, the proposed ProtoMedX achieves 87.58% accuracy in vision-only tasks and 89.8% in its multi-modal variant, both surpassing existing published methods.
• Abstract（参考訳）: 骨疾患の早期発見と治療には, 骨健康研究が不可欠である。 臨床医は通常、デンシトメトリー(DEXAスキャン)と患者歴に基づいて診断を行う。 この分野におけるAIの応用は、現在進行中である。 もっとも成功した手法は、視覚のみを使用し(DEXA/X線画像)、予測精度に重点を置くディープラーニングモデルに依存し、説明可能性はしばしば無視され、入力コントリビューションのホックアセスメントをポストする。 腰椎のDEXAスキャンと患者記録を併用したマルチモーダル(マルチモーダル)モデルであるProtoMedXを提案する。 ProtoMedXのプロトタイプベースのアーキテクチャは、設計によって説明可能である。これは医療アプリケーション、特に今後のEU AI Actの文脈において重要である。 ProtoMedXは、骨の健康分類における最先端のパフォーマンスを示すと同時に、臨床医が視覚的に理解できる説明を提供する。 4,160人の実際のNHS患者のデータセットを用いて、提案されたProtoMedXは、視力のみのタスクで87.58%、マルチモーダルのバリエーションで89.8%の精度を達成し、どちらも既存の方法を上回っている。

関連論文リスト

• X-Ray-CoT: Interpretable Chest X-ray Diagnosis with Vision-Language Models via Chain-of-Thought Reasoning [0.0]
  胸部X線診断のための新しいフレームワークであるX線CoT(Chest X-ray Chain-of-Thought)を提案する。 X線-CoTは、まずマルチモーダル特徴と視覚概念を抽出することにより、ヒトの放射線学者の「チェーン・オブ・思想」をシミュレートする。 80.52%、F1スコア78.65%のバランスド精度で、競争力のある定量的パフォーマンスを達成している。
  論文  参考訳（メタデータ） (2025-08-17T18:00:41Z)
• A Multi-Site Study on AI-Driven Pathology Detection and Osteoarthritis Grading from Knee X-Ray [0.0]
  変形性関節症や変形性膝関節症のような骨の健康障害は、世界的な健康問題を引き起こす。 本研究では, 膝X線を解析し, 重要な病態を検出するAIシステムを提案する。 また、変形性関節症の重症度も評価し、タイムリーにパーソナライズされた治療を可能にしている。
  論文  参考訳（メタデータ） (2025-03-28T06:41:22Z)
• MiniGPT-Med: Large Language Model as a General Interface for Radiology Diagnosis [28.421857904824627]
  MiniGPT-Medは、大規模言語モデルから派生したヴィジュアル言語モデルであり、医学的応用に適したものである。 医療報告生成、視覚的質問応答(VQA)、医療画像内の疾患識別などのタスクを実行することができる。 医療報告生成の最先端性能は,従来の最良モデルよりも19%高い精度で達成される。
  論文  参考訳（メタデータ） (2024-07-04T18:21:10Z)
• Key Patches Are All You Need: A Multiple Instance Learning Framework For Robust Medical Diagnosis [15.964609888720315]
  我々は,複数のインスタンス学習フレームワークを用いて,ディープラーニングモデルが最終分類に達するために使用する情報量を制限することを提案する。 皮膚内視鏡検査による皮膚癌診断とマンモグラフィーによる乳癌診断の2つの医学的応用について検討した。
  論文  参考訳（メタデータ） (2024-05-02T18:21:25Z)
• Towards a clinically accessible radiology foundation model: open-access and lightweight, with automated evaluation [113.5002649181103]
  オープンソースの小型マルチモーダルモデル(SMM)を訓練し、放射線学における未測定臨床ニーズに対する能力ギャップを埋める。 トレーニングのために,697万以上の画像テキストペアからなる大規模なデータセットを組み立てる。 評価のために,GPT-4に基づく実測値CheXpromptを提案する。 LlaVA-Radの推論は高速で、単一のV100 GPU上でプライベート設定で実行できる。
  論文  参考訳（メタデータ） (2024-03-12T18:12:02Z)
• This Patient Looks Like That Patient: Prototypical Networks for Interpretable Diagnosis Prediction from Clinical Text [56.32427751440426]
  臨床実践においては、そのようなモデルは正確であるだけでなく、医師に解釈可能で有益な結果を与える必要がある。 本稿では,プロトタイプネットワークに基づく新しい手法であるProtoPatientを紹介する。 利用可能な2つの臨床データセット上でモデルを評価し、既存のベースラインよりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-10-16T10:12:07Z)
• 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)
• Variational Knowledge Distillation for Disease Classification in Chest X-Rays [102.04931207504173]
  我々は,X線に基づく疾患分類のための新しい確率的推論フレームワークである反復的知識蒸留(VKD)を提案する。 提案手法の有効性を,X線画像とEHRを用いた3つの公開ベンチマークデータセットに示す。
  論文  参考訳（メタデータ） (2021-03-19T14:13:56Z)
• 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)

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。