論文の概要: Masked Autoencoder Joint Learning for Robust Spitzoid Tumor Classification

• arxiv url: http://arxiv.org/abs/2511.19535v1
• Date: Mon, 24 Nov 2025 09:54:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-26 17:37:04.079294
• Title: Masked Autoencoder Joint Learning for Robust Spitzoid Tumor Classification
• Title（参考訳）: ロバストスピッツイド腫瘍分類のためのマスク付きオートエンコーダ共同学習
• Authors: Ilán Carretero, Roshni Mahtani, Silvia Perez-Deben, José Francisco González-Muñoz, Carlos Monteagudo, Valery Naranjo, Rocío del Amor,
• Abstract要約: ReMACはReMaskerの拡張であり、完全かつ不完全な条件下での高次元データの分類タスクに取り組むように設計されている。 ReMACは、スピッツイド腫瘍の層状化における競合する分類法と比較して、強力で堅牢な性能を達成する。
• 参考スコア（独自算出の注目度）: 1.0460767965764985
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Accurate diagnosis of spitzoid tumors (ST) is critical to ensure a favorable prognosis and to avoid both under- and over-treatment. Epigenetic data, particularly DNA methylation, provide a valuable source of information for this task. However, prior studies assume complete data, an unrealistic setting as methylation profiles frequently contain missing entries due to limited coverage and experimental artifacts. Our work challenges these favorable scenarios and introduces ReMAC, an extension of ReMasker designed to tackle classification tasks on high-dimensional data under complete and incomplete regimes. Evaluation on real clinical data demonstrates that ReMAC achieves strong and robust performance compared to competing classification methods in the stratification of ST. Code is available: https://github.com/roshni-mahtani/ReMAC.
• Abstract（参考訳）: spisoid tumors (ST) の正確な診断は, 予後の確保と治療過多の予防に重要である。 エピジェネティックなデータ、特にDNAメチル化は、この課題の貴重な情報源となる。 しかし、以前の研究では、メチル化プロファイルが限られた範囲と実験的なアーティファクトのために欠落したエントリを含むことが多いため、完全なデータ、非現実的な設定を前提としている。 これはReMaskerの拡張で、完全かつ不完全な条件下での高次元データの分類タスクに取り組むように設計されています。 実際の臨床データによる評価は、Stの成層化における競合する分類法と比較して、ReMACが強固で堅牢な性能を発揮することを示している。

関連論文リスト

• Overlap-weighted orthogonal meta-learner for treatment effect estimation over time [90.46786193198744]
  ヘテロジニアス治療効果(HTE)を推定するための新しい重み付きメタラーナーを提案する。 我々のWO-Larnerは、ノイマン直交性(Neyman-orthogonality)の好ましい性質を持ち、ニュアンス関数の誤特定に対して堅牢である。 我々のWO-learnerは完全にモデルに依存しず、あらゆる機械学習モデルに適用可能であることを示す。
  論文  参考訳（メタデータ） (2025-10-22T14:47:57Z)
• Unmasking Interstitial Lung Diseases: Leveraging Masked Autoencoders for Diagnosis [0.3187482513047917]
  Masked Autoencoders (MAE) は、非競合データに対する事前トレーニングのための強力なアプローチとして登場した。 我々は,5,000以上の胸部CT(CT)スキャンを収集し,MAEを訓練した。 トレーニング済みのMAEは、拡散性肺疾患の診断のための下流分類タスクに基づいて微調整される。
  論文  参考訳（メタデータ） (2025-08-06T13:16:34Z)
• Enhancing Treatment Effect Estimation via Active Learning: A Counterfactual Covering Perspective [61.284843894545475]
  治療効果推定のための複雑なアルゴリズムは、不十分なラベル付きトレーニングセットを扱う際には効果がない。 我々は,最適化目標をtextitFactual と textitCounterfactual Coverage Maximization に変換して,データ取得時の有効半径削減を実現するFCCMを提案する。 FCCMを他のベースラインに対してベンチマークすることは、完全に合成されたデータセットと半合成されたデータセットの両方にその優位性を示す。
  論文  参考訳（メタデータ） (2025-05-08T13:42:00Z)
• Learning Generalizable Features for Tibial Plateau Fracture Segmentation Using Masked Autoencoder and Limited Annotations [9.62712439690871]
  我々は,CTにおける正確なTPFセグメンテーションのためのマスク付きオートエンコーダ(MAE)に基づく効果的なトレーニング戦略を提案する。 本手法は,大域的な骨格構造と,ラベルなしデータからのき裂の微細化,およびラベル付きデータの微細化にMAEプリトレーニングを利用する。 実験結果から,本手法は半教師付き手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） (2025-02-05T03:44:52Z)
• Enhanced Tuberculosis Bacilli Detection using Attention-Residual U-Net and Ensemble Classification [0.0]
  Mycobacterium tuberculosisによって引き起こされた結核は、依然として重要な世界的な健康問題であり、タイムリーな診断と治療を必要としている。 蛍光顕微鏡スミア画像からの結核菌の検出法は, 自動化が低く, セグメンテーション性能が不十分で, 分類精度が限られている。 本稿では,セグメント化のためのディープラーニングと分類のためのアンサンブルモデルを組み合わせた,効率的なハイブリッド手法を提案する。
  論文  参考訳（メタデータ） (2025-01-07T05:21:13Z)
• LV-CadeNet: A Long-View Feature Convolution-Attention Fusion Encoder-Decoder Network for EEG/MEG Spike Analysis [11.73048215393441]
  脳磁図(MEG)や脳波記録(EEG)における間質性てんかん状放電(IED)の解析はてんかんの診断において重要な要素である。 現在のアプローチでは、臨床専門家の診断知性を2つの重要な側面で完全にエミュレートすることができない。 本稿では,人工知能のギャップを埋める新しいディープラーニングフレームワークLV-CadeNetを提案する。
  論文  参考訳（メタデータ） (2024-12-12T03:19:44Z)
• Unlearnable Examples Detection via Iterative Filtering [84.59070204221366]
  ディープニューラルネットワークは、データ中毒攻撃に弱いことが証明されている。 混合データセットから有毒なサンプルを検出することは極めて有益であり、困難である。 UE識別のための反復フィルタリング手法を提案する。
  論文  参考訳（メタデータ） (2024-08-15T13:26:13Z)
• ArSDM: Colonoscopy Images Synthesis with Adaptive Refinement Semantic Diffusion Models [69.9178140563928]
  大腸内視鏡検査は臨床診断や治療に不可欠である。 注釈付きデータの不足は、既存の手法の有効性と一般化を制限する。 本稿では, 下流作業に有用な大腸内視鏡画像を生成するために, 適応Refinement Semantic Diffusion Model (ArSDM)を提案する。
  論文  参考訳（メタデータ） (2023-09-03T07:55:46Z)
• Dual-Consistency Semi-Supervised Learning with Uncertainty Quantification for COVID-19 Lesion Segmentation from CT Images [49.1861463923357]
  CT画像を用いた半監視型COVID-19病変分割のための不確実性誘導型二重一貫性学習ネットワーク(UDC-Net)を提案する。 提案した UDC-Net は,Dice の完全教師方式を 6.3% 向上させ,他の競合的半監督方式を有意なマージンで上回っている。
  論文  参考訳（メタデータ） (2021-04-07T16:23:35Z)
• G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for Biomarker Identification and Disease Classification [49.53651166356737]
  診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。 2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
  論文  参考訳（メタデータ） (2021-01-27T19:28:04Z)

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。