論文の概要: DoubleTake: Contrastive Reasoning for Faithful Decision-Making in Medical Imaging
- arxiv url: http://arxiv.org/abs/2602.02894v1
- Date: Mon, 02 Feb 2026 23:00:39 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-04 18:37:15.125492
- Title: DoubleTake: Contrastive Reasoning for Faithful Decision-Making in Medical Imaging
- Title（参考訳）: DoubleTake: 医用画像における忠実意思決定のための対照的な推論
- Authors: Daivik Patel, Shrenik Patel,
- Abstract要約: 類似性ではなく、識別に最適化されたコンパクトなエビデンスセットを構成する、コントラストのある文書対応参照選択フレームワークを導入する。
本稿では,一対の視覚的比較を構造化し,根拠を忠実な棄却を伴うマージンに基づく決定規則を用いて集約する,信頼度に配慮した推論フレームワークであるCounterfactual-Contrastive Inferenceを提案する。
メドコンフュージョンのベンチマークでは,従来の手法と比較して設定レベルの精度が15%近く向上し,混乱を低減し,個々の精度が向上する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Accurate decision making in medical imaging requires reasoning over subtle visual differences between confusable conditions, yet most existing approaches rely on nearest neighbor retrieval that returns redundant evidence and reinforces a single hypothesis. We introduce a contrastive, document-aware reference selection framework that constructs compact evidence sets optimized for discrimination rather than similarity by explicitly balancing visual relevance, embedding diversity, and source-level provenance using ROCO embeddings and metadata. While ROCO provides large-scale image-caption pairs, it does not specify how references should be selected for contrastive reasoning, and naive retrieval frequently yields near-duplicate figures from the same document. To address this gap, we release a reproducible reference selection protocol and curated reference bank that enable a systematic study of contrastive retrieval in medical image reasoning. Building on these contrastive evidence sets, we propose Counterfactual-Contrastive Inference, a confidence-aware reasoning framework that performs structured pairwise visual comparisons and aggregates evidence using margin-based decision rules with faithful abstention. On the MediConfusion benchmark, our approach achieves state-of-the-art performance, improving set-level accuracy by nearly 15% relative to prior methods while reducing confusion and improving individual accuracy.
- Abstract（参考訳）: 医用画像における正確な意思決定には、微妙な視覚的相違を推論する必要があるが、既存のほとんどのアプローチは、冗長な証拠を返却し、一つの仮説を補強する最も近い隣人検索に依存している。
ROCOの埋め込みとメタデータを用いた視覚的関連性, 埋め込み多様性, ソースレベルの証明を明示的にバランスさせることにより, 類似性よりも識別に最適化されたコンパクトなエビデンスセットを構築する。
ROCOは大規模な画像キャプチャペアを提供するが、コントラスト的推論のために参照をどのように選択すべきかは規定していない。
このギャップに対処するため、医用画像推論におけるコントラスト検索の体系的な研究を可能にする再現可能な参照選択プロトコルとキュレートされた参照バンクを公表する。
これらの対照的なエビデンスセットに基づいて、構造化されたペアワイドな視覚的比較を行い、誠実な棄却を伴うマージンベースの決定ルールを用いてエビデンスを集約する信頼度に配慮した推論フレームワークである反現実的コントラスト的推論を提案する。
メドコンフュージョンのベンチマークでは,従来の手法と比較して設定レベルの精度が15%近く向上し,混乱を低減し,個々の精度が向上する。
関連論文リスト
- BayesRAG: Probabilistic Mutual Evidence Corroboration for Multimodal Retrieval-Augmented Generation [33.53566598271416]
BayesRAGはベイズ推定とデンプスター・シェーファーのエビデンス理論に基づく新しいマルチモーダル検索フレームワークである。
我々は,BayesRAGがマルチモーダルベンチマークにおいて,最先端(SOTA)手法を著しく上回っていることを示す。
論文 参考訳（メタデータ） (2026-01-12T08:53:14Z) - Factuality and Transparency Are All RAG Needs! Self-Explaining Contrastive Evidence Re-ranking [0.2864713389096699]
この拡張された抽象概念は、自己説明的コントラストエビデンス・リランキング(CER)を導入している。
CERは、コントラスト学習による微調整埋め込みによる事実証拠の検索を再構築し、検索された各パスに対してトークンレベルの帰属論理を生成する。
本手法を臨床試験報告で評価した結果,CERは検索精度を向上し,RAGシステムにおける幻覚の可能性を軽減し,特に安全上重要な領域において信頼性を高めるための透明でエビデンスに基づく検索を提供することが明らかとなった。
論文 参考訳（メタデータ） (2025-12-04T17:24:35Z) - Exploring Health Misinformation Detection with Multi-Agent Debate [0.11470070927586014]
健康情報検出のための2段階の枠組みを提案する。
第1段階では,検索した記事を独立に評価するために,大規模言語モデル (LLM) を用いる。
このスコアが、事前定義された閾値以下のコンセンサスフォールが不十分であることを示すと、システムは第2段階に進む。
複数のエージェントが構造化された議論を行い、矛盾する証拠を合成し、明確な正当性を持つ十分な評決を生成する。
論文 参考訳（メタデータ） (2025-11-29T12:39:30Z) - MedAlign: A Synergistic Framework of Multimodal Preference Optimization and Federated Meta-Cognitive Reasoning [52.064286116035134]
我々はMed-VQA(Med-VQA)のための視覚的LVLM応答を保証するフレームワークであるMedAlignを開発した。
まず、優先学習を視覚的コンテキストに合わせるために、マルチモーダルな直接選好最適化(mDPO)の目的を提案する。
次に、画像とテキストの類似性を生かし、クエリを専門的でコンテキスト拡張されたLVLMにルーティングする検索型混合処理(RA-MoE)アーキテクチャを設計する。
論文 参考訳（メタデータ） (2025-10-24T02:11:05Z) - Investigating Distributions of Telecom Adapted Sentence Embeddings for Document Retrieval [12.135498957287004]
公開可能なモデルとドメイン適応型から得られた埋め込みを評価した。
我々は,異なる埋め込みに対する類似度スコアのしきい値を得るための体系的手法を確立する。
ドメイン固有の文に対する埋め込みは、ドメインに依存しない文とほとんど重複しないことを示す。
論文 参考訳（メタデータ） (2024-06-18T07:03:34Z) - SparseCL: Sparse Contrastive Learning for Contradiction Retrieval [87.02936971689817]
コントラディション検索(Contradiction Search)とは、クエリの内容に明示的に異を唱える文書を識別し、抽出することである。
類似性探索やクロスエンコーダモデルといった既存の手法には、大きな制限がある。
文間の微妙で矛盾したニュアンスを保存するために特別に訓練された文埋め込みを利用するSparseCLを導入する。
論文 参考訳（メタデータ） (2024-06-15T21:57:03Z) - ConPro: Learning Severity Representation for Medical Images using Contrastive Learning and Preference Optimization [30.31270613973337]
本稿では,医療画像における重度評価のための表現学習手法であるCon-PrOを提案する。
提案する表現学習フレームワークは,機能領域において重要な重大度順序付けを提供する。
また、重症度指標と医療領域における嗜好比較の適用性についても検討した。
論文 参考訳（メタデータ） (2024-04-29T16:16:42Z) - Fairness and robustness in anti-causal prediction [73.693135253335]
分散シフトと公平性に対するロバストさは、機械学習モデルに必要な2つの重要なデシラタとして独立に現れている。
これら2つのデシダラタは関連しているように見えるが、実際にはその関連性はしばしば不明である。
この観点から見れば、共通フェアネス基準(分離)とロバストネスの共通概念との明確な関係を描いています。
論文 参考訳（メタデータ） (2022-09-20T02:41:17Z) - Robust Contrastive Learning against Noisy Views [79.71880076439297]
ノイズの多い視点に対して頑健な新しいコントラスト損失関数を提案する。
提案手法は,最新の画像,ビデオ,グラフのコントラスト学習ベンチマークに対して一貫した改善を提供する。
論文 参考訳（メタデータ） (2022-01-12T05:24:29Z) - Uncertainty-Aware Few-Shot Image Classification [118.72423376789062]
ラベル付き限られたデータから新しいカテゴリを認識できる画像分類はほとんどない。
画像分類のための不確実性を考慮したFew-Shotフレームワークを提案する。
論文 参考訳（メタデータ） (2020-10-09T12:26:27Z)
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。