Fugu-MT 論文翻訳(概要): MIMM-X: Disentangling Spurious Correlations for Medical Image Analysis

論文の概要: MIMM-X: Disentangling Spurious Correlations for Medical Image Analysis

arxiv url: http://arxiv.org/abs/2511.22990v1
Date: Fri, 28 Nov 2025 08:51:00 GMT
ステータス: 翻訳完了
システム内更新日: 2025-12-01 19:47:55.829632
Title: MIMM-X: Disentangling Spurious Correlations for Medical Image Analysis
Title（参考訳）: MIMM-X : 医用画像解析のための疎外的相関
Authors: Louisa Fay, Hajer Reguigui, Bin Yang, Sergios Gatidis, Thomas Küstner,
Abstract要約: MIMM-Xは複数のスプリアス相関から因果的特徴を分離するフレームワークである。データセット固有のショートカットではなく、真の因果関係に基づいた予測が可能になる。
参考スコア（独自算出の注目度）: 5.80701778605144
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Deep learning models can excel on medical tasks, yet often experience spurious correlations, known as shortcut learning, leading to poor generalization in new environments. Particularly in medical imaging, where multiple spurious correlations can coexist, misclassifications can have severe consequences. We propose MIMM-X, a framework that disentangles causal features from multiple spurious correlations by minimizing their mutual information. It enables predictions based on true underlying causal relationships rather than dataset-specific shortcuts. We evaluate MIMM-X on three datasets (UK Biobank, NAKO, CheXpert) across two imaging modalities (MRI and X-ray). Results demonstrate that MIMM-X effectively mitigates shortcut learning of multiple spurious correlations.
Abstract（参考訳）: 深層学習モデルは医学的タスクに優れるが、しばしばショートカット学習と呼ばれる急激な相関関係を経験し、新しい環境における一般化の低さにつながる。特に、複数の刺激的な相関関係が共存する医療画像では、誤分類は深刻な結果をもたらす可能性がある。相互情報の最小化により,複数の突発的相関関係から因果的特徴を分離するフレームワークMIMM-Xを提案する。データセット固有のショートカットではなく、真の因果関係に基づいた予測が可能になる。我々は,3つのデータセット(UK Biobank, NAKO, CheXpert)のMIMM-XをMRI, X線)で評価した。以上の結果から,MIMM-Xは複数のスプリアス相関のショートカット学習を効果的に緩和することが示された。

関連論文リスト

Adapting HFMCA to Graph Data: Self-Supervised Learning for Generalizable fMRI Representations [57.054499278843856]
機能的磁気共鳴画像(fMRI)解析は、データセットのサイズが限られ、研究間でのドメインの変動が原因で大きな課題に直面している。コンピュータビジョンにインスパイアされた従来の自己教師付き学習手法は、正と負のサンプルペアに依存することが多い。本稿では,最近開発された階層関数最大相関アルゴリズム(HFMCA)をグラフ構造fMRIデータに適用することを提案する。
論文参考訳（メタデータ） (2025-10-05T12:35:01Z)
Biological Brain Age Estimation using Sex-Aware Adversarial Variational Autoencoder with Multimodal Neuroimages [8.610253537046692]
性対応性差型自動エンコーダ(SA-AVAE)を用いた脳年齢推定のための新しい枠組みを提案する。我々は、潜在空間をモダリティ固有のコードと共有コードに分解し、モダリティの相補的および共通的な情報を表す。我々は、学習した潜伏コードに性情報を組み込んで、モデルが脳年齢推定のために性固有の老化パターンをキャプチャすることを可能にする。
論文参考訳（メタデータ） (2024-12-07T12:10:29Z)
MACAW: A Causal Generative Model for Medical Imaging [1.0653740810975534]
この研究は、ニューロイメージング応用のためのMasked Causal Flow (MACAW)と呼ばれる新しい因果生成アーキテクチャを導入する。提案手法の有効性は,まず合成データを用いて評価し,その後,英国バイオバンク研究の23,000人以上の参加者のMRI脳データを用いて検討した。
論文参考訳（メタデータ） (2024-12-03T23:05:41Z)
Benchmarking Dependence Measures to Prevent Shortcut Learning in Medical Imaging [7.917858344544847]
医療画像コホートは、取得装置、病院の現場、患者背景など多くの要因によって構築されることが多い。深層学習モデルは因果関係のある特徴の代わりに急激な相関を学習する傾向があり、その一般化性は新鮮で見当たらないデータに制限される。この問題はタスク関連変数と非タスク関連変数の中間表現間の依存度を最小化することで解決できる。
論文参考訳（メタデータ） (2024-07-26T14:54:16Z)
MMRel: A Relation Understanding Benchmark in the MLLM Era [72.95901753186227]
MMRel(Multi-Modal Relation Understanding)は、オブジェクト間の関係に関する大規模で高品質で多様なデータを特徴付けるベンチマークである。 MMRelは、関係理解に基づくMLLMの評価や、関係理解能力を高めるための微調整MLLMに最適である。
論文参考訳（メタデータ） (2024-06-13T13:51:59Z)
Discovering and Reasoning of Causality in the Hidden World with Large Language Models [109.62442253177376]
我々はCausal representatiOn AssistanT(COAT)と呼ばれる新しいフレームワークを開発し、因果発見に有用な測定変数を提案する。大規模言語モデル (LLM) と因果関係を直接推論する代わりに、COAT は中間因果発見結果から LLM へのフィードバックを構築し、提案した変数を洗練させる。
論文参考訳（メタデータ） (2024-02-06T12:18:54Z)
How Does Pruning Impact Long-Tailed Multi-Label Medical Image Classifiers? [49.35105290167996]
プルーニングは、ディープニューラルネットワークを圧縮し、全体的なパフォーマンスに大きな影響を及ぼすことなく、メモリ使用量と推論時間を短縮する強力なテクニックとして登場した。この研究は、プルーニングがモデル行動に与える影響を理解するための第一歩である。
論文参考訳（メタデータ） (2023-08-17T20:40:30Z)
Advancing Radiograph Representation Learning with Masked Record Modeling [52.04899592688968]
我々は2つの相補的な目的として自己と報告の補完を定式化し、マスク付きレコードモデリング(MRM)に基づく統一的な枠組みを提案する。 MRMは、知識強化されたセマンティック表現を学ぶためのマルチタスクスキームに従って、マスクされた画像パッチとマスクされたレポートトークンを再構築する。具体的には、MRMはラベル効率の良い微調整において優れた性能を提供する。
論文参考訳（メタデータ） (2023-01-30T18:33:32Z)
Single-Stage Broad Multi-Instance Multi-Label Learning (BMIML) with Diverse Inter-Correlations and its application to medical image classification [10.403614735252503]
既存のMIML手法は、いくつかの問題により比較的低い精度と訓練効率に悩まされている。 BMIMLは、大容量の医用画像データセットであっても、既存の手法よりも精度が高く、ほとんどのMIML手法よりもはるかに高速である。
論文参考訳（メタデータ） (2022-09-06T16:28:54Z)
Federated Deep AUC Maximization for Heterogeneous Data with a Constant Communication Complexity [77.78624443410216]
異種胸部データ検出のための改良型FDAMアルゴリズムを提案する。本研究は,提案アルゴリズムの通信が機械数に強く依存し,精度レベルにも強く依存していることを示す。 FDAMアルゴリズムのベンチマークデータセットと、異なる組織の医療用胸部X線画像に対する効果を実験により実証した。
論文参考訳（メタデータ） (2021-02-09T04:05:19Z)

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。