論文の概要: MorphXAI: An Explainable Framework for Morphological Analysis of Parasites in Blood Smear Images

• arxiv url: http://arxiv.org/abs/2601.18001v1
• Date: Sun, 25 Jan 2026 21:27:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-27 15:23:08.575688
• Title: MorphXAI: An Explainable Framework for Morphological Analysis of Parasites in Blood Smear Images
• Title（参考訳）: MorphXAI:血液スミア画像における寄生虫の形態学的解析のための説明可能なフレームワーク
• Authors: Aqsa Yousaf, Sint Sint Win, Megan Coffee, Habeeb Olufowobi,
• Abstract要約: 寄生虫の検出を微細な形態学的解析で統一する,説明可能なフレームワークであるMorphXAIを提案する。 MorphXAIは、形態学的監督を直接予測パイプラインに統合し、モデルが臨床関連属性を同時に特徴づけながら寄生虫を局在させることを可能にする。
• 参考スコア（独自算出の注目度）: 2.1224214028809536
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Parasitic infections remain a pressing global health challenge, particularly in low-resource settings where diagnosis still depends on labor-intensive manual inspection of blood smears and the availability of expert domain knowledge. While deep learning models have shown strong performance in automating parasite detection, their clinical usefulness is constrained by limited interpretability. Existing explainability methods are largely restricted to visual heatmaps or attention maps, which highlight regions of interest but fail to capture the morphological traits that clinicians rely on for diagnosis. In this work, we present MorphXAI, an explainable framework that unifies parasite detection with fine-grained morphological analysis. MorphXAI integrates morphological supervision directly into the prediction pipeline, enabling the model to localize parasites while simultaneously characterizing clinically relevant attributes such as shape, curvature, visible dot count, flagellum presence, and developmental stage. To support this task, we curate a clinician-annotated dataset of three parasite species (Leishmania, Trypanosoma brucei, and Trypanosoma cruzi) with detailed morphological labels, establishing a new benchmark for interpretable parasite analysis. Experimental results show that MorphXAI not only improves detection performance over the baseline but also provides structured, biologically meaningful explanations.
• Abstract（参考訳）: 寄生虫感染は、特に低リソース環境では、労働集約的な血液検査と専門家のドメイン知識の活用に依存している。 深層学習モデルは寄生虫検出の自動化において高い性能を示してきたが、臨床的有用性は限定的な解釈可能性によって制限されている。 既存の説明可能性法は主に視覚的なヒートマップや注意マップに限られており、興味のある領域をハイライトするが、臨床医が診断に頼っている形態的特徴を捉えない。 本研究は, 寄生虫の検出を微細な形態学的解析で統一する, 説明可能なフレームワークであるMorphXAIについて述べる。 MorphXAIは、形態的監督を直接予測パイプラインに統合し、モデルが寄生虫を局在させると同時に、形状、曲率、可視点数、鞭毛虫の存在、発達段階などの臨床的特性を特徴付ける。 この課題を支援するために,3種の寄生虫(Leishmania,Trypanosoma brucei,Trypanosoma cruzi)を詳細な形態ラベルで分類し,解釈可能な寄生虫分析のための新しいベンチマークを作成した。 実験の結果,MorphXAIはベースライン上の検出性能を向上するだけでなく,構造的,生物学的に意味のある説明を提供することがわかった。

関連論文リスト

• A Semantically Enhanced Generative Foundation Model Improves Pathological Image Synthesis [82.01597026329158]
  本稿では,組織合成のための相関調整フレームワーク(CRAFTS)について紹介する。 CRAFTSは、生物学的精度を確保するためにセマンティックドリフトを抑制する新しいアライメント機構を組み込んでいる。 本モデルは,30種類の癌にまたがる多彩な病理像を生成する。
  論文  参考訳（メタデータ） (2025-12-15T10:22:43Z)
• Self-Supervised Anatomical Consistency Learning for Vision-Grounded Medical Report Generation [61.350584471060756]
  医用画像の臨床的に正確な記述を作成することを目的とした医用レポート生成。 本稿では, 自己監督型解剖学的一貫性学習(SS-ACL)を提案し, 生成された報告を対応する解剖学的領域と整合させる。 SS-ACLは、ヒト解剖学の不変のトップダウン包摂構造にインスパイアされた階層的な解剖学的グラフを構築する。
  論文  参考訳（メタデータ） (2025-09-30T08:59:06Z)
• Towards Accurate and Interpretable Neuroblastoma Diagnosis via Contrastive Multi-scale Pathological Image Analysis [16.268045905735818]
  病理画像分類に適したコントラスト学習に基づくマルチスケール機能融合モデルであるCMSwinKANを提案する。 マルチスケールの特徴を融合させ、対照的な学習戦略を活用することで、CMSwinKANは臨床医の包括的なアプローチを模倣する。 その結果、CMSwinKANは、既存の最先端の病理モデルよりも、大規模なデータセットで事前訓練されたモデルよりもパフォーマンスがよいことが示された。
  論文  参考訳（メタデータ） (2025-04-18T15:39:46Z)
• A Graph-Based Framework for Interpretable Whole Slide Image Analysis [86.37618055724441]
  我々は,全スライディング画像を生物学的にインフォームドされたグラフ表現に変換するフレームワークを開発した。 我々のアプローチは、任意の格子ではなく、自然構造を尊重する組織領域からグラフノードを構築する。 がんのステージングと生存予測の課題に強いパフォーマンスを示す。
  論文  参考訳（メタデータ） (2025-03-14T20:15:04Z)
• Learning biologically relevant features in a pathology foundation model using sparse autoencoders [2.5919097694815365]
  我々は、病理予知基礎モデルの埋め込みについてスパースオートエンコーダを訓練した。 Sparse Autoencoderの機能は, 解釈可能な, 単意味的な生物学的概念を表す。
  論文  参考訳（メタデータ） (2024-07-15T15:03:01Z)
• Weakly supervised multiple instance learning histopathological tumor segmentation [51.085268272912415]
  スライド画像全体のセグメント化のための弱教師付きフレームワークを提案する。 トレーニングモデルに複数のインスタンス学習スキームを利用する。 提案するフレームワークは,The Cancer Genome AtlasとPatchCamelyonデータセットのマルチロケーションとマルチ中心公開データに基づいて評価されている。
  論文  参考訳（メタデータ） (2020-04-10T13:12:47Z)

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。