論文の概要: CLEAR-HPV: Interpretable Concept Discovery for HPV-Associated Morphology in Whole-Slide Histology

• arxiv url: http://arxiv.org/abs/2602.05126v1
• Date: Wed, 04 Feb 2026 23:18:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-06 18:49:08.666182
• Title: CLEAR-HPV: Interpretable Concept Discovery for HPV-Associated Morphology in Whole-Slide Histology
• Title（参考訳）: CLEAR-HPV:全スライディング組織におけるHPV関連形態の解釈可能な概念発見
• Authors: Weiyi Qin, Yingci Liu-Swetz, Shiwei Tan, Hao Wang,
• Abstract要約: 我々はHPV(CLEAR-HPV)のための概念レベル説明型注意誘導表現について紹介する。 CLEAR-HPVは、トレーニング中に概念ラベルを必要とせずに概念発見を可能にするために、注意重み付き潜在空間を再構築する。 ケラチナイズ、バサロイド、ストロームのモルフォロジーの概念を自動的に発見し、空間概念マップを生成し、コンパクトなコンセプト・フレクション・ベクターを用いて各スライドを表現する。
• 参考スコア（独自算出の注目度）: 4.717578910039296
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Human papillomavirus (HPV) status is a critical determinant of prognosis and treatment response in head and neck and cervical cancers. Although attention-based multiple instance learning (MIL) achieves strong slide-level prediction for HPV-related whole-slide histopathology, it provides limited morphologic interpretability. To address this limitation, we introduce Concept-Level Explainable Attention-guided Representation for HPV (CLEAR-HPV), a framework that restructures the MIL latent space using attention to enable concept discovery without requiring concept labels during training. Operating in an attention-weighted latent space, CLEAR-HPV automatically discovers keratinizing, basaloid, and stromal morphologic concepts, generates spatial concept maps, and represents each slide using a compact concept-fraction vector. CLEAR-HPV's concept-fraction vectors preserve the predictive information of the original MIL embeddings while reducing the high-dimensional feature space (e.g., 1536 dimensions) to only 10 interpretable concepts. CLEAR-HPV generalizes consistently across TCGA-HNSCC, TCGA-CESC, and CPTAC-HNSCC, providing compact, concept-level interpretability through a general, backbone-agnostic framework for attention-based MIL models of whole-slide histopathology.
• Abstract（参考訳）: ヒトパピローマウイルス(HPV)は頭頸部癌および頸部癌における予後と治療反応の重要な決定因子である。 注意に基づくMIL(Multiple Case Learning)はHPV関連全身すべりの病理組織学において強いスライドレベルの予測を達成しているが,形態学的解釈性には限界がある。 この制限に対処するため,HPV (CLEAR-HPV) の概念記述可能な注意誘導表現(Concept-Level Explainable Attention-guided Representation for HPV)を導入した。 注意重み付き潜在空間で動作するCLEAR-HPVは、ケラチナイズ、バサロイド、ストローム形態概念を自動的に発見し、空間概念マップを生成し、コンパクトな概念屈折ベクトルを用いて各スライドを表現する。 CLEAR-HPVのコンセプト屈折ベクトルは、元のMIL埋め込みの予測情報を保存し、高次元の特徴空間(例えば、1536次元)を10の解釈可能な概念に減らした。 CLEAR-HPVはTCGA-HNSCC, TCGA-CESC, CPTAC-HNSCCで一貫して一般化され, 全身スライディング病理学の注意に基づくMILモデルのための一般的なバックボーンに依存しないフレームワークを通じて, 概念レベルの解釈性を提供する。

関連論文リスト

• Weakly Supervised Concept Learning with Class-Level Priors for Interpretable Medical Diagnosis [9.002305517166635]
  Prior-Guided Concept Predictor (PCP) は、言語モデルに依存することなく、概念回答の予測を可能にする弱い教師付きフレームワークである。 PCPはゼロショットベースラインに比べてコンセプトレベルのF1スコアを33%以上改善している。
  論文  参考訳（メタデータ） (2025-11-03T00:43:04Z)
• Stable Vision Concept Transformers for Medical Diagnosis [14.082818181995776]
  概念ボトルネックモデル(Concept Bottleneck Models, CBM)は、モデルの潜在空間を人間に理解できない高レベルな概念に制限することを目的としている。 CBMはモデルの予測を決定するために概念的機能のみに依存している。 既存の手法は、モデルの予測を決定するために概念的特徴のみに依存している。
  論文  参考訳（メタデータ） (2025-06-05T17:43:27Z)
• Towards generating more interpretable counterfactuals via concept vectors: a preliminary study on chest X-rays [46.667021835430155]
  我々は、臨床概念を生成モデルの潜在空間にマッピングし、概念活性化ベクトル(CAV)を同定する。 抽出された概念はデータセット全体にわたって安定しており、臨床的に関連する特徴を強調する視覚的説明を可能にする。 胸部X線検査の予備的結果から, 胸部X線検査は, 心筋症などの大きな病態を呈するが, より小さな病態はいまだに困難である。
  論文  参考訳（メタデータ） (2025-06-04T15:23:12Z)
• HealthGPT: A Medical Large Vision-Language Model for Unifying Comprehension and Generation via Heterogeneous Knowledge Adaptation [68.4316501012718]
  HealthGPTは医療用大規模視線モデル(Med-LVLM)である 医療的な視覚的理解と生成能力を統合された自己回帰パラダイムに統合する。
  論文  参考訳（メタデータ） (2025-02-14T00:42:36Z)
• Reasoning-Enhanced Healthcare Predictions with Knowledge Graph Community Retrieval [61.70489848327436]
  KAREは、知識グラフ(KG)コミュニティレベルの検索と大規模言語モデル(LLM)推論を統合する新しいフレームワークである。 MIMIC-IIIでは最大10.8～15.0%、MIMIC-IVでは12.6～12.7%である。
  論文  参考訳（メタデータ） (2024-10-06T18:46:28Z)
• Concept-Attention Whitening for Interpretable Skin Lesion Diagnosis [7.5422729055429745]
  皮膚病変診断のための新しい概念認識白化(CAW)フレームワークを提案する。 前枝では,CAW層を挿入した畳み込みニューラルネットワーク(CNN)を訓練し,皮膚病変の診断を行った。 後者のブランチでは、マトリクスはコンセプトアテンションマスクのガイダンスに基づいて計算される。
  論文  参考訳（メタデータ） (2024-04-09T04:04:50Z)

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。