Fugu-MT 論文翻訳(概要): XAI-MeD: Explainable Knowledge Guided Neuro-Symbolic Framework for Domain Generalization and Rare Class Detection in Medical Imaging

論文の概要: XAI-MeD: Explainable Knowledge Guided Neuro-Symbolic Framework for Domain Generalization and Rare Class Detection in Medical Imaging

arxiv url: http://arxiv.org/abs/2601.02008v1
Date: Mon, 05 Jan 2026 11:17:33 GMT
ステータス: 翻訳完了
システム内更新日: 2026-01-06 16:25:23.031052
Title: XAI-MeD: Explainable Knowledge Guided Neuro-Symbolic Framework for Domain Generalization and Rare Class Detection in Medical Imaging
Title（参考訳）: XAI-MeD : 医用画像における領域一般化と希少クラス検出のための説明可能な知識ガイド型ニューロシンボリックフレームワーク
Authors: Midhat Urooj, Ayan Banerjee, Sandeep Gupta,
Abstract要約: XAIMeDは、臨床的に正確な専門家の知識を統合された神経シンボルアーキテクチャを通じて深層学習に統合する説明可能な医療AIフレームワークである。このフレームワークは、臨床の専門知識を、原子医学の命題に対する論理的結合としてエンコードし、それらをマシンチェック可能なクラス固有のルールに変換する。
参考スコア（独自算出の注目度）: 0.6345042809319409
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Explainability domain generalization and rare class reliability are critical challenges in medical AI where deep models often fail under real world distribution shifts and exhibit bias against infrequent clinical conditions This paper introduces XAIMeD an explainable medical AI framework that integrates clinically accurate expert knowledge into deep learning through a unified neuro symbolic architecture XAIMeD is designed to improve robustness under distribution shift enhance rare class sensitivity and deliver transparent clinically aligned interpretations The framework encodes clinical expertise as logical connectives over atomic medical propositions transforming them into machine checkable class specific rules Their diagnostic utility is quantified through weighted feature satisfaction scores enabling a symbolic reasoning branch that complements neural predictions A confidence weighted fusion integrates symbolic and deep outputs while a Hunt inspired adaptive routing mechanism guided by Entropy Imbalance Gain EIG and Rare Class Gini mitigates class imbalance high intra class variability and uncertainty We evaluate XAIMeD across diverse modalities on four challenging tasks i Seizure Onset Zone SOZ localization from rs fMRI ii Diabetic Retinopathy grading across 6 multicenter datasets demonstrate substantial performance improvements including 6 percent gains in cross domain generalization and a 10 percent improved rare class F1 score far outperforming state of the art deep learning baselines Ablation studies confirm that the clinically grounded symbolic components act as effective regularizers ensuring robustness to distribution shifts XAIMeD thus provides a principled clinically faithful and interpretable approach to multimodal medical AI.
Abstract（参考訳）: 説明可能性領域の一般化と希少なクラスの信頼性は、実世界の分布シフトでしばしば失敗し、稀な臨床条件に対するバイアスを示す医療AIにおいて重要な課題である。本論文では、XAIMeDを紹介します。XAIMeDは、臨床に正確な専門知識を統一された神経シンボルアーキテクチャを通じて深層学習に統合する説明可能な医療AIフレームワークである。これは、分布シフトによる堅牢性を改善するために設計されており、レアクラスの感度を高め、透過的な臨床的に整合した解釈を提供する。このフレームワークは、それらをマシンチェック可能なクラス固有のルールに変換する原子医学命題よりも論理的な結合性として臨床専門性を符号化し、それらの診断は、重み付けされた特徴満足度スコアによって定量化される。

関連論文リスト

NEURO-GUARD: Neuro-Symbolic Generalization and Unbiased Adaptive Routing for Diagnostics -- Explainable Medical AI [0.6345042809319409]
NEURO-GUARDは、視覚変換器(ViT)と言語駆動推論を統合して性能を向上させる知識誘導型視覚フレームワークである。 NEURO-GUARDは、大規模言語モデル(LLM)が医療画像の特徴抽出コードを反復的に生成し、評価し、洗練する自己検証のために、検索拡張生成(RAG)機構を採用している。 4つのベンチマークデータセットで糖尿病網膜症分類の実験により、NEURO-GUARDはViTのみのベースラインで精度を6.2%改善し、ドメインの一般化で5%向上した。
論文参考訳（メタデータ） (2025-12-20T02:32:15Z)
MedXAI: A Retrieval-Augmented and Self-Verifying Framework for Knowledge-Guided Medical Image Analysis [0.5581472054346949]
MedXAIは、深層視覚モデルと臨床から派生した専門知識を統合して、一般化を改善し、希少な偏見を減らし、人間の理解に足る説明を提供する。我々は,MedXAIを多種多様性で評価し, (i) 静置型fMRIによる静注オンセットゾーンの局在と, (ii) 糖尿病網膜症をグレードする2つの課題について検討した。
論文参考訳（メタデータ） (2025-12-10T21:40:04Z)
An Explainable Hybrid AI Framework for Enhanced Tuberculosis and Symptom Detection [55.35661671061754]
結核は、特に資源に制限された遠隔地において、重要な世界的な健康問題である。本稿では, 胸部X線による疾患および症状の検出を, 2つの頭部と自己監督頭部を統合することで促進する枠組みを提案する。本モデルでは, 新型コロナウイルス, 結核, 正常症例の鑑別で98.85%の精度が得られ, マルチラベル症状検出では90.09%のマクロF1スコアが得られた。
論文参考訳（メタデータ） (2025-10-21T17:18:55Z)
RAD: Towards Trustworthy Retrieval-Augmented Multi-modal Clinical Diagnosis [56.373297358647655]
Retrieval-Augmented Diagnosis (RAD)は、下流タスクで直接マルチモーダルモデルに外部知識を注入する新しいフレームワークである。 RADは、複数の医療ソースからの疾患中心の知識の検索と改善、ガイドライン強化コントラスト損失トランスフォーマー、デュアルデコーダの3つの主要なメカニズムで機能する。
論文参考訳（メタデータ） (2025-09-24T10:36:14Z)
Single Domain Generalization in Diabetic Retinopathy: A Neuro-Symbolic Learning Approach [0.5581472054346949]
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。
論文参考訳（メタデータ） (2025-09-03T01:07:49Z)
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)
From Promise to Practical Reality: Transforming Diffusion MRI Analysis with Fast Deep Learning Enhancement [35.368152968098194]
FastFOD-Netは、FODを優れたパフォーマンスで強化し、臨床使用のためのトレーニング/推論効率を提供するエンドツーエンドのディープラーニングフレームワークである。この研究は、拡散MRIの強化のための深層学習に基づく手法を、より広く採用し、臨床信頼を構築することを促進する。
論文参考訳（メタデータ） (2025-08-13T17:56:29Z)
RadFabric: Agentic AI System with Reasoning Capability for Radiology [61.25593938175618]
RadFabricは、総合的なCXR解釈のための視覚的およびテキスト分析を統合するマルチエージェント、マルチモーダル推論フレームワークである。システムは、病理診断に特殊なCXRエージェント、正確な解剖学的構造に視覚所見をマッピングする解剖学的解釈エージェント、および視覚的、解剖学的、臨床データを透明かつ証拠に基づく診断に合成する大規模なマルチモーダル推論モデルを利用した推論エージェントを使用する。
論文参考訳（メタデータ） (2025-06-17T03:10:33Z)
XAI for In-hospital Mortality Prediction via Multimodal ICU Data [57.73357047856416]
マルチモーダルICUデータを用いて病院内死亡率を予測するための,効率的で説明可能なAIソリューションを提案する。我々は,臨床データから異種入力を受信し,意思決定を行うマルチモーダル・ラーニングを我々のフレームワークに導入する。我々の枠組みは、医療研究において重要な要素の発見を容易にする他の臨床課題に容易に移行することができる。
論文参考訳（メタデータ） (2023-12-29T14:28:04Z)
Confidence-Driven Deep Learning Framework for Early Detection of Knee Osteoarthritis [8.193689534916988]
膝関節症 (KOA) は筋骨格障害の1つで、運動量や生活の質に深刻な影響を及ぼす。我々は,KL-0およびKL-2ステージの識別に焦点をあてた,早期のKOA検出のための信頼性駆動型ディープラーニングフレームワークを提案する。実験により,提案フレームワークは専門家の放射線学者に匹敵する,競争精度,感度,特異性を達成できることが示された。
論文参考訳（メタデータ） (2023-03-23T11:57:50Z)
Inheritance-guided Hierarchical Assignment for Clinical Automatic Diagnosis [50.15205065710629]
臨床診断は、臨床ノートに基づいて患者に診断符号を割り当てることを目的としており、臨床意思決定において重要な役割を担っている。本稿では,臨床自動診断のための継承誘導階層と共起グラフの伝播を組み合わせた新しい枠組みを提案する。
論文参考訳（メタデータ） (2021-01-27T13:16:51Z)

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。