Fugu-MT 論文翻訳(概要): Learning to Select Like Humans: Explainable Active Learning for Medical Imaging

論文の概要: Learning to Select Like Humans: Explainable Active Learning for Medical Imaging

arxiv url: http://arxiv.org/abs/2602.13308v2
Date: Tue, 17 Feb 2026 21:44:34 GMT
ステータス: 翻訳完了
システム内更新日: 2026-02-19 13:51:30.957227
Title: Learning to Select Like Humans: Explainable Active Learning for Medical Imaging
Title（参考訳）: 医学的イメージングのための説明可能なアクティブラーニング
Authors: Ifrat Ikhtear Uddin, Longwei Wang, Xiao Qin, Yang Zhou, KC Santosh,
Abstract要約: 本稿では,空間的注意のアライメントをサンプル取得プロセスに統合する,説明可能性誘導型アクティブラーニングフレームワークを提案する。 3つの専門家による医用画像データセットを用いて,その枠組みを評価する。
参考スコア（独自算出の注目度）: 8.744178539108267
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Medical image analysis requires substantial labeled data for model training, yet expert annotation is expensive and time-consuming. Active learning (AL) addresses this challenge by strategically selecting the most informative samples for the annotation purpose, but traditional methods solely rely on predictive uncertainty while ignoring whether models learn from clinically meaningful features a critical requirement for clinical deployment. We propose an explainability-guided active learning framework that integrates spatial attention alignment into a sample acquisition process. Our approach advocates for a dual-criterion selection strategy combining: (i) classification uncertainty to identify informative examples, and (ii) attention misalignment with radiologist-defined regions-of-interest (ROIs) to target samples where the model focuses on incorrect features. By measuring misalignment between Grad-CAM attention maps and expert annotations using Dice similarity, our acquisition function judiciously identifies samples that enhance both predictive performance and spatial interpretability. We evaluate the framework using three expert-annotated medical imaging datasets, namely, BraTS (MRI brain tumors), VinDr-CXR (chest X-rays), and SIIM-COVID-19 (chest X-rays). Using only 570 strategically selected samples, our explainability-guided approach consistently outperforms random sampling across all the datasets, achieving 77.22% accuracy on BraTS, 52.37% on VinDr-CXR, and 52.66% on SIIM-COVID. Grad-CAM visualizations confirm that the models trained by our dual-criterion selection focus on diagnostically relevant regions, demonstrating that incorporating explanation guidance into sample acquisition yields superior data efficiency while maintaining clinical interpretability.
Abstract（参考訳）: 医用画像解析にはモデルトレーニングのためのラベル付きデータが必要であるが、専門家のアノテーションは高価で時間を要する。アクティブラーニング(英語版) (AL) はこの課題に対処し、アノテーション目的の最も有益なサンプルを戦略的に選択するが、従来の手法は予測の不確実性にのみ依存する一方で、臨床的に有意な特徴から学習するモデルが臨床展開にとって重要な要件であるかどうかを無視している。本稿では,空間的注意のアライメントをサンプル取得プロセスに統合する,説明可能性誘導型アクティブラーニングフレームワークを提案する。我々のアプローチは、二重基準選択戦略の組み合わせを提唱する。一情報的事例を特定するための分類の不確実性、及び (II) モデルが不正確な特徴に焦点をあてるサンプルを対象に, 放射線技師が定義した関心領域(ROI)と注意の相違について検討した。 Diceの類似性を利用したGrad-CAMアテンションマップとエキスパートアノテーションのミスアライメントを計測することにより,我々は,予測性能と空間的解釈性の両方を高めるサンプルを巧みに同定する。本フレームワークは,BraTS(MRI脳腫瘍),VinDr-CXR(胸部X線),SIIM-COVID-19(胸部X線)の3種類の医用画像データセットを用いて評価した。 VinDr-CXRでは52.37%、SIIM-COVIDでは52.66%である。 Grad-CAMビジュアライゼーションによってトレーニングされたモデルが診断関連領域に焦点を当てていることを確認し、サンプル取得に説明ガイダンスを組み込むことで、臨床解釈性を維持しながら優れたデータ効率が得られることを示した。

関連論文リスト

Expert-Guided Explainable Few-Shot Learning with Active Sample Selection for Medical Image Analysis [2.7946918847372277]
エキスパートガイドのFew-Shot LearningとExplainability-Guided ALを紹介する。 EGxFSLは、Grad-CAMベースのDice損失による空間的監視として、放射線学者が定義した領域を統合している。 xGALは、予測の不確実性と注意欠陥の両方を優先した反復的なサンプル取得を導入する。
論文参考訳（メタデータ） (2026-01-02T05:09:35Z)
Expert-Guided Explainable Few-Shot Learning for Medical Image Diagnosis [2.7946918847372277]
本稿では,放射線技師が提案する関心領域をモデルトレーニングに統合する,専門家による説明可能な数ショット学習フレームワークを提案する。我々は、BraTS(MRI)とVinDr-CXR(Chest X-ray)の2つの異なるデータセット上で、我々のフレームワークを評価する。本研究は, 少数症例の医用画像診断において, 評価と解釈のギャップを埋めるために, 専門家が指導する注意指導を取り入れることの有効性を実証するものである。
論文参考訳（メタデータ） (2025-09-08T05:31:37Z)
From Gaze to Insight: Bridging Human Visual Attention and Vision Language Model Explanation for Weakly-Supervised Medical Image Segmentation [48.45209969191245]
視覚言語モデル(VLM)は、テキスト記述を通して意味的コンテキストを提供するが、説明精度は欠如している。本稿では,その補完的強みを活かし,視線と言語指導を統合した教師教育フレームワークを提案する。本手法は,8.78%,80.53%,84.22%のDiceスコアをそれぞれ達成し,アノテーション負担を増大させることなく視線ベースラインよりも3.5%向上した。
論文参考訳（メタデータ） (2025-04-15T16:32:15Z)
MIL vs. Aggregation: Evaluating Patient-Level Survival Prediction Strategies Using Graph-Based Learning [52.231128973251124]
我々は,WSIおよび患者レベルでの生存を予測するための様々な戦略を比較した。前者はそれぞれのWSIを独立したサンプルとして扱い、他の作業で採用された戦略を模倣します。後者は、複数のWSIの予測を集約するか、最も関連性の高いスライドを自動的に識別するメソッドを含む。
論文参考訳（メタデータ） (2025-03-29T11:14:02Z)
Fairness Evolution in Continual Learning for Medical Imaging [47.52603262576663]
本研究では、ドメイン固有の公平度指標を用いてタスク間でバイアスがどのように進化し、異なるCL戦略がこの進化にどのように影響するかを検討する。以上の結果から,擬似ラベルと擬似ラベルの学習は最適分類性能を実現するが,擬似ラベルの偏りは小さいことが示唆された。
論文参考訳（メタデータ） (2024-04-10T09:48:52Z)
Vision-Language Modelling For Radiological Imaging and Reports In The Low Data Regime [70.04389979779195]
本稿では,視覚および言語入力を共通空間に埋め込んだ医用視覚言語モデル(VLM)について検討する。本稿では,新しい画像領域やテキスト領域への汎用事前学習モデルの適用など,低データ性能向上のためのいくつかの候補手法について検討する。テキスト・ツー・イメージ検索をベンチマークとして,2つの胸部X線および放射線学的報告を用いた可変サイズのトレーニングデータセットを用いて,これらの手法の性能評価を行った。
論文参考訳（メタデータ） (2023-03-30T18:20:00Z)
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)
Cascaded Robust Learning at Imperfect Labels for Chest X-ray Segmentation [61.09321488002978]
不完全アノテーションを用いた胸部X線分割のための新しいカスケードロバスト学習フレームワークを提案する。モデルは3つの独立したネットワークから成り,ピアネットワークから有用な情報を効果的に学習できる。提案手法は,従来の手法と比較して,セグメント化タスクの精度を大幅に向上させることができる。
論文参考訳（メタデータ） (2021-04-05T15:50:16Z)
BS-Net: learning COVID-19 pneumonia severity on a large Chest X-Ray dataset [6.5800499500032705]
我々は、Chest X-rays画像(CXR)に基づいて、新型コロナウイルス患者の肺妥協の度合いを判定するエンド・ツー・エンドのディープラーニングアーキテクチャを設計する。当院で収集した約5,000個のCXR注釈画像の臨床的データセットを利用して検討した。私たちのソリューションは、評価精度と一貫性において、一人のアノテータよりも優れています。
論文参考訳（メタデータ） (2020-06-08T13:55:58Z)
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。