論文の概要: Towards Visually Explaining Statistical Tests with Applications in Biomedical Imaging

• arxiv url: http://arxiv.org/abs/2601.13899v1
• Date: Tue, 20 Jan 2026 12:27:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-21 22:47:23.303499
• Title: Towards Visually Explaining Statistical Tests with Applications in Biomedical Imaging
• Title（参考訳）: バイオメディカルイメージングにおける統計的検査の視覚的説明に向けて
• Authors: Masoumeh Javanbakhat, Piotr Komorowski, Dilyara Bareeva, Wei-Chang Lai, Wojciech Samek, Christoph Lippert,
• Abstract要約: サンプルレベルと特徴レベルの説明で深部2サンプルテストを強化するための,説明可能な深部統計的テストフレームワークを提案する。 この研究は統計的推論と説明可能なAIを橋渡しし、医療画像における解釈可能なラベルなし人口分析を可能にする。
• 参考スコア（独自算出の注目度）: 19.562200693318832
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep neural two-sample tests have recently shown strong power for detecting distributional differences between groups, yet their black-box nature limits interpretability and practical adoption in biomedical analysis. Moreover, most existing post-hoc explainability methods rely on class labels, making them unsuitable for label-free statistical testing settings. We propose an explainable deep statistical testing framework that augments deep two-sample tests with sample-level and feature-level explanations, revealing which individual samples and which input features drive statistically significant group differences. Our method highlights which image regions and which individual samples contribute most to the detected group difference, providing spatial and instance-wise insight into the test's decision. Applied to biomedical imaging data, the proposed framework identifies influential samples and highlights anatomically meaningful regions associated with disease-related variation. This work bridges statistical inference and explainable AI, enabling interpretable, label-free population analysis in medical imaging.
• Abstract（参考訳）: ディープニューラル2サンプルテストは、最近、グループ間の分布差を検出する強力な力を示しているが、ブラックボックスの性質は、解釈可能性と生体医学的分析における実践的適用を制限している。 さらに、既存のポストホックな説明可能性法はクラスラベルに依存しており、ラベルのない統計的テスト設定には適さない。 本稿では,サンプルレベルと特徴レベルの説明による深部2サンプルテストの強化と,どのサンプルとどの入力特徴が統計的に有意なグループ差をもたらすかを明らかにするための,説明可能な深部統計的テストフレームワークを提案する。 提案手法では,検出されたグループ差に最も寄与する画像領域とサンプルがどのイメージ領域に最も寄与しているかを強調し,テストの判断に関する空間的および事例的知見を提供する。 バイオメディカルイメージングデータに適用し、本フレームワークは、影響のあるサンプルを特定し、疾患関連変異に関連する解剖学的意義のある領域を強調する。 この研究は統計的推論と説明可能なAIを橋渡しし、医療画像における解釈可能なラベルなし人口分析を可能にする。

関連論文リスト

• Quantifying Statistical Significance in Diffusion-Based Anomaly Localization via Selective Inference [19.927066428010782]
  画像の異常な局所化(期待されるパターンから逸脱する領域)は、診断や産業検査などの応用において不可欠である。 最近のトレンドは、画像生成モデルを用いて異常な局所化を行い、それらのモデルが正常に見える異常な画像を生成することである。 本稿では,検出された異常領域の意義を定量化するために,選択推論に基づく統計的枠組みを提案する。
  論文  参考訳（メタデータ） (2024-02-19T02:32:45Z)
• Multi-task Explainable Skin Lesion Classification [54.76511683427566]
  少ないラベル付きデータでよく一般化する皮膚病変に対する数発のショットベースアプローチを提案する。 提案手法は,アテンションモジュールや分類ネットワークとして機能するセグメンテーションネットワークの融合を含む。
  論文  参考訳（メタデータ） (2023-10-11T05:49:47Z)
• Detecting Adversarial Data by Probing Multiple Perturbations Using Expected Perturbation Score [62.54911162109439]
  逆方向検出は、自然分布と逆方向分布の差に基づいて、与えられたサンプルが逆方向であるかどうかを判定することを目的としている。 本研究では,様々な摂動後の標本の予測スコアであるEPS(pre expected perturbation score)を提案する。 EPSに基づく最大平均誤差(MMD)を,試験試料と自然試料との差を測定する指標として開発する。
  論文  参考訳（メタデータ） (2023-05-25T13:14:58Z)
• 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)
• Rethinking Semi-Supervised Medical Image Segmentation: A Variance-Reduction Perspective [51.70661197256033]
  医用画像セグメンテーションのための階層化グループ理論を用いた半教師付きコントラスト学習フレームワークARCOを提案する。 まず、分散還元推定の概念を用いてARCOを構築することを提案し、特定の分散還元技術が画素/ボクセルレベルのセグメンテーションタスクにおいて特に有用であることを示す。 5つの2D/3D医療データセットと3つのセマンティックセグメンテーションデータセットのラベル設定が異なる8つのベンチマークで、我々のアプローチを実験的に検証する。
  論文  参考訳（メタデータ） (2023-02-03T13:50:25Z)
• Statistical and Computational Phase Transitions in Group Testing [73.55361918807883]
  本研究の目的は、希少な疾患を患っているk人の集団を同定することである。 個々人のテストを割り当てるための2つの異なる単純なランダムな手順を考える。
  論文  参考訳（メタデータ） (2022-06-15T16:38:50Z)
• Interpretability-Driven Sample Selection Using Self Supervised Learning For Disease Classification And Segmentation [4.898744396854313]
  解釈可能なサリエンシーマップに含まれる情報を活用した深層特徴に基づく新しいサンプル選択手法を提案する。 提案手法は, より少ないサンプルで, アートパフォーマンスの状態を導く情報的サンプルの選択において, 他の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-04-13T10:46:33Z)
• Do We Really Sample Right In Model-Based Diagnosis? [0.0]
  本研究は, 断層説明に関する推定値を用いて, 生成したサンプルの表現性について検討する。 サンプルサイズ, サンプリング効率と効果率の最適トレードオフについて検討した。
  論文  参考訳（メタデータ） (2020-09-25T12:30:14Z)
• Semi-supervised Medical Image Classification with Relation-driven Self-ensembling Model [71.80319052891817]
  医用画像分類のための関係駆動型半教師付きフレームワークを提案する。 これは、摂動下で与えられた入力の予測一貫性を促進することでラベルのないデータを利用する。 本手法は,シングルラベルおよびマルチラベル画像分類のシナリオにおいて,最先端の半教師付き学習手法よりも優れる。
  論文  参考訳（メタデータ） (2020-05-15T06:57:54Z)

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。