論文の概要: Diagnose Like A REAL Pathologist: An Uncertainty-Focused Approach for Trustworthy Multi-Resolution Multiple Instance Learning
- arxiv url: http://arxiv.org/abs/2511.06433v1
- Date: Sun, 09 Nov 2025 16:02:13 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-11 21:18:44.94387
- Title: Diagnose Like A REAL Pathologist: An Uncertainty-Focused Approach for Trustworthy Multi-Resolution Multiple Instance Learning
- Title（参考訳）: Realpathologist のような診断 : 信頼性に欠けるマルチリゾリューション・マルチインスタンス学習のための不確実性に焦点をあてたアプローチ
- Authors: Sungrae Hong, Sol Lee, Jisu Shin, Mun Yong Yi,
- Abstract要約: マルチインスタンス学習(MIL)は、AI中心の診断支援のための実行可能なソリューションとして、研究の焦点を絞っている。
病理学者の診察行動をよりよく模倣した不確実性焦点校正型MIL (UFC-MIL) を提案する。
UFC-MILは、最先端の手法に匹敵する分類精度を保ちながら、モデルのキャリブレーションにおいて優れた性能を示す。
- 参考スコア（独自算出の注目度）: 5.073978768018109
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: With the increasing demand for histopathological specimen examination and diagnostic reporting, Multiple Instance Learning (MIL) has received heightened research focus as a viable solution for AI-centric diagnostic aid. Recently, to improve its performance and make it work more like a pathologist, several MIL approaches based on the use of multiple-resolution images have been proposed, delivering often higher performance than those that use single-resolution images. Despite impressive recent developments of multiple-resolution MIL, previous approaches only focus on improving performance, thereby lacking research on well-calibrated MIL that clinical experts can rely on for trustworthy diagnostic results. In this study, we propose Uncertainty-Focused Calibrated MIL (UFC-MIL), which more closely mimics the pathologists' examination behaviors while providing calibrated diagnostic predictions, using multiple images with different resolutions. UFC-MIL includes a novel patch-wise loss that learns the latent patterns of instances and expresses their uncertainty for classification. Also, the attention-based architecture with a neighbor patch aggregation module collects features for the classifier. In addition, aggregated predictions are calibrated through patch-level uncertainty without requiring multiple iterative inferences, which is a key practical advantage. Against challenging public datasets, UFC-MIL shows superior performance in model calibration while achieving classification accuracy comparable to that of state-of-the-art methods.
- Abstract（参考訳）: 病理組織学的検診と診断報告の需要が高まる中、MIL(Multiple Instance Learning)はAI中心の診断支援のための有効なソリューションとして研究の焦点を絞った。
近年, マルチレゾリューション画像を用いたMIL手法が提案され, シングルレゾリューション画像を用いたものよりも高い性能を実現する方法が提案されている。
近年のマルチレゾリューションMILの進歩にもかかわらず、従来のアプローチはパフォーマンスの向上にのみ焦点をあてており、臨床の専門家が信頼できる診断結果に頼れるような、よく校正されたMILの研究が欠如している。
本研究では, 診断精度の異なる複数の画像を用いて, 診断精度の調整を行いながら, 病理医の検査行動をより正確に再現する不確実性焦点校正型MIL (UFC-MIL) を提案する。
UFC-MILは、インスタンスの潜伏パターンを学習し、分類の不確実性を表現するパッチワイズ・ロスを含む。
また、隣接するパッチアグリゲーションモジュールを持つアテンションベースのアーキテクチャは、分類器の機能を収集する。
さらに、複数の反復推論を必要とすることなく、パッチレベルの不確実性を通じて集約予測を校正する。
挑戦的な公開データセットに対して、UFC-MILは、最先端の手法に匹敵する分類精度を達成しつつ、モデルのキャリブレーションにおいて優れたパフォーマンスを示す。
関連論文リスト
- Retrieval-Augmented VLMs for Multimodal Melanoma Diagnosis [1.2031796234206136]
視覚言語モデル(VLM)はマルチモーダルな代替手段を提供するが、一般的なドメインデータで訓練されたときに臨床特異性を捉えるのに苦労する。
本稿では, 意味論的に類似した症例を診断プロンプトに組み込んだ検索拡張VLMフレームワークを提案する。
論文 参考訳（メタデータ） (2025-09-10T07:23:30Z) - OCSVM-Guided Representation Learning for Unsupervised Anomaly Detection [1.0190194769786831]
Unsupervised Anomaly Detection (UAD) は、ラベル付きデータなしで異常を検出することを目的としている。
解析的に解ける一級SVMを用いて表現学習を緊密に結合する新しい手法を提案する。
このモデルは、MNIST-Cに基づく新しいベンチマークと、挑戦的な脳MRI微妙な病変検出タスクの2つのタスクで評価されている。
論文 参考訳（メタデータ） (2025-07-25T13:00:40Z) - Benchmarking and Explaining Deep Learning Cortical Lesion MRI Segmentation in Multiple Sclerosis [28.192924379673862]
多発性硬化症(MS)における生体マーカーとしての皮質病変(CL)の出現
本稿では,MRIにおけるCL検出とセグメンテーションの総合ベンチマークを提案する。
医療画像のセグメンテーションのために設計された自己構成のnnU-Netフレームワークを利用し、CL検出の改善に適した適応を提案する。
論文 参考訳（メタデータ） (2025-07-16T09:56:11Z) - Pathological Prior-Guided Multiple Instance Learning For Mitigating Catastrophic Forgetting in Breast Cancer Whole Slide Image Classification [50.899861205016265]
乳癌のWSI分類における破滅的忘れを緩和する新しい枠組みであるPaGMILを提案する。
私たちのフレームワークでは、共通のMILモデルアーキテクチャに2つの重要なコンポーネントを導入しています。
複数の乳がんデータセットを対象としたPaGMILの連続学習性能の評価を行った。
論文 参考訳（メタデータ） (2025-03-08T04:51:58Z) - Random Token Fusion for Multi-View Medical Diagnosis [2.3458652461211935]
多視点医療データセットでは、ディープラーニングモデルは診断性能を改善するために、異なる画像の観点から情報を融合することが多い。
既存のアプローチは過度に適合する傾向があり、ビュー固有の機能に大きく依存する。
本研究では,マルチビュー医療用トランスを用いた画像解析技術を提案する。
論文 参考訳（メタデータ） (2024-10-21T10:19:45Z) - A Unified Model for Compressed Sensing MRI Across Undersampling Patterns [69.19631302047569]
様々な計測アンサンプパターンと画像解像度に頑健な統合MRI再構成モデルを提案する。
我々のモデルは、拡散法よりも600$times$高速な推論で、最先端CNN(End-to-End VarNet)の4dBでSSIMを11%改善し、PSNRを4dB改善する。
論文 参考訳（メタデータ） (2024-10-05T20:03:57Z) - Establishing Causal Relationship Between Whole Slide Image Predictions and Diagnostic Evidence Subregions in Deep Learning [3.5504159526793924]
Causal Inference Multiple Instance Learning (CI-MIL)は、サブイメージの認識の混乱を軽減するために配布外一般化を利用する。
CI-MILは、その選択された領域が基底真理アノテーションと高い一貫性を示すため、優れた解釈可能性を示す。
論文 参考訳（メタデータ） (2024-07-24T11:00:08Z) - Adapting Visual-Language Models for Generalizable Anomaly Detection in Medical Images [68.42215385041114]
本稿では,CLIPモデルを用いた医用異常検出のための軽量な多レベル適応と比較フレームワークを提案する。
提案手法では,複数の残像アダプタを事前学習した視覚エンコーダに統合し,視覚的特徴の段階的向上を実現する。
医学的異常検出ベンチマーク実験により,本手法が現在の最先端モデルを大幅に上回っていることが示された。
論文 参考訳（メタデータ） (2024-03-19T09:28:19Z) - Unified Uncertainty Estimation for Cognitive Diagnosis Models [70.46998436898205]
本稿では,幅広い認知診断モデルに対する統一的不確実性推定手法を提案する。
診断パラメータの不確かさをデータ・アスペクトとモデル・アスペクトに分解する。
本手法は有効であり,認知診断の不確実性に関する有用な知見を提供することができる。
論文 参考訳（メタデータ） (2024-03-09T13:48:20Z) - Ambiguous Medical Image Segmentation using Diffusion Models [60.378180265885945]
我々は,グループ洞察の分布を学習することで,複数の可算出力を生成する単一拡散モデルに基づくアプローチを提案する。
提案モデルでは,拡散の固有のサンプリングプロセスを利用してセグメンテーションマスクの分布を生成する。
その結果,提案手法は既存の最先端曖昧なセグメンテーションネットワークよりも優れていることがわかった。
論文 参考訳（メタデータ） (2023-04-10T17:58:22Z)
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。