論文の概要: Pretty Good Measurement for Radiomics: A Quantum-Inspired Multi-Class Classifier for Lung Cancer Subtyping and Prostate Cancer Risk Stratification

• arxiv url: http://arxiv.org/abs/2603.00223v1
• Date: Fri, 27 Feb 2026 18:58:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-03 19:50:56.117529
• Title: Pretty Good Measurement for Radiomics: A Quantum-Inspired Multi-Class Classifier for Lung Cancer Subtyping and Prostate Cancer Risk Stratification
• Title（参考訳）: 放射線学の優れた測定方法:肺がんサブタイプと前立腺がんリスク階層化のための量子誘導型マルチクラス分類器
• Authors: Giuseppe Sergioli, Carlo Cuccu, Giovanni Pasini, Alessandro Stefano, Giorgio Russo, Andrés Camilo Granda Arango, Roberto Giuntini,
• Abstract要約: emphPretty Good Measurement (PGM)に基づく教師付き多クラス分類への量子インスピレーションによるアプローチについて検討する。 この方法は、各クラスを符号化された混合状態に関連付け、単一のPOVM構成を通じて分類を行う。
• 参考スコア（独自算出の注目度）: 32.505127447635864
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We investigate a quantum-inspired approach to supervised multi-class classification based on the \emph{Pretty Good Measurement} (PGM), viewed as an operator-valued decision rule derived from quantum state discrimination. The method associates each class with an encoded mixed state and performs classification through a single POVM construction, thus providing a genuinely multi-class strategy without reduction to pairwise or one-vs-rest schemes. In this perspective, classification is reformulated as the discrimination of a finite ensemble of class-dependent density operators, with performance governed by the geometry induced by the encoding map and by the overlap structure among classes. To assess the practical scope of this framework, we apply the PGM-based classifier to two biomedical radiomics case studies: histopathological subtyping of non-small-cell lung carcinoma (NSCLC) and prostate cancer (PCa) risk stratification. The evaluation is conducted under protocols aligned with previously reported radiomics studies, enabling direct comparison with established classical baselines. The results show that the PGM-based classifier is consistently competitive and, in several settings, improves upon standard methods. In particular, the method performs especially well in the NSCLC binary and three-class tasks, while remaining competitive in the four-class case, where increased class overlap yields a more demanding discrimination geometry. In the PCa study, the PGM classifier remains close to the strongest ensemble baseline and exhibits clinically relevant sensitivity--specificity trade-offs across feature-selection scenarios.
• Abstract（参考訳）: 本稿では,量子状態の識別から導かれる演算子値決定規則として,PGM( \emph{Pretty Good Measurement})に基づく教師付き多クラス分類の量子インスピレーション手法について検討する。 この方法は、各クラスを符号化された混合状態に関連付け、単一のPOVM構成で分類し、ペアワイズやワン-vs-restスキームに還元することなく、真のマルチクラス戦略を提供する。 この観点では、分類はクラス依存密度作用素の有限アンサンブルの識別として再分類され、符号化写像によって誘導される幾何とクラス間の重なり構造によって制御される。 本枠組みの実際的範囲を評価するため,PGMを用いた分類法を,非小細胞肺癌(NSCLC)の病理組織学的サブタイプと前立腺癌(PCa)の2つのバイオメディカル・ラジオミクス・ケース・スタディに適用した。 評価は従来報告されていた放射能研究と整合したプロトコルを用いて行われ、既存の古典的ベースラインと直接比較することができる。 その結果,PGMをベースとした分類器は一貫して競争力があり,いくつかの設定で標準手法が改良されていることがわかった。 特に,NSCLCの2進数と3進数では特によく機能するが,クラス重複が増大する4進数では競争力が保たれるため,より要求の高い識別幾何が得られる。 PCa研究において、PGM分類器は最強のアンサンブルベースラインに近づき、特徴選択シナリオ間で臨床的に関連する感度-特異性トレードオフを示す。

関連論文リスト

• LPD: Learnable Prototypes with Diversity Regularization for Weakly Supervised Histopathology Segmentation [17.25487101903999]
  病理組織学における弱制御セマンティックセグメンテーション(WSSS)は、クラス間同質性、クラス内異質性、CAM誘発領域収縮によって阻害される。 クラスタフリーで一段階の学習可能プロトタイプフレームワークを提案する。 提案手法はBCSS-WSSS上でのSOTA(State-of-the-art)性能を実現し,mIoUとmDiceの先行手法よりも優れていた。
  論文  参考訳（メタデータ） (2025-12-05T17:59:16Z)
• Rank-Aware Agglomeration of Foundation Models for Immunohistochemistry Image Cell Counting [12.781544447677007]
  複数の強力な基礎モデルから知識を抽出するランクアウェア・アグロメレーション・フレームワークを提案する。 その結果,CountIHCは12種類のIHCバイオマーカーと5種類の組織にまたがって最先端の手法を超越していることがわかった。
  論文  参考訳（メタデータ） (2025-11-16T13:18:06Z)
• CLOC: Contrastive Learning for Ordinal Classification with Multi-Margin N-pair Loss [8.202961373604719]
  序列分類では、近隣の階級の誤分類は一般的であるが、これらの誤りの結果は同じではない。 順序分類のための新しいマージンベースコントラスト学習法であるCLOCを提案する。 CLOCは、新しいマルチマージンnペア損失による多重マージンの最適化に基づいて順序付き表現を学習する。
  論文  参考訳（メタデータ） (2025-04-22T22:23:30Z)
• Multi-Prototype Embedding Refinement for Semi-Supervised Medical Image Segmentation [1.6683976936678229]
  半教師型医用画像分割のためのマルチプロトタイプベース埋め込み精細化法を提案する。 具体的には, ボクセル埋め込みの構造的関係の観点から, セグメンテーションを再考し, マルチプロトタイプベースの分類戦略を設計する。 2つの一般的なベンチマークの徹底的な評価において,本手法は最先端の手法と比較して優れた性能を発揮する。
  論文  参考訳（メタデータ） (2025-03-18T15:23:52Z)
• 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)
• 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)
• Anomaly Detection using Ensemble Classification and Evidence Theory [62.997667081978825]
  本稿では,アンサンブル分類とエビデンス理論を用いた新しい検出手法を提案する。 固体アンサンブル分類器を構築するためのプール選択戦略が提示される。 我々は異常検出手法の不確実性を利用する。
  論文  参考訳（メタデータ） (2022-12-23T00:50:41Z)
• Parametric Classification for Generalized Category Discovery: A Baseline Study [70.73212959385387]
  Generalized Category Discovery (GCD)は、ラベル付きサンプルから学習した知識を用いて、ラベルなしデータセットで新しいカテゴリを発見することを目的としている。 パラメトリック分類器の故障を調査し,高品質な監視が可能であった場合の過去の設計選択の有効性を検証し,信頼性の低い疑似ラベルを重要課題として同定する。 エントロピー正規化の利点を生かし、複数のGCDベンチマークにおける最先端性能を実現し、未知のクラス数に対して強いロバスト性を示す、単純で効果的なパラメトリック分類法を提案する。
  論文  参考訳（メタデータ） (2022-11-21T18:47:11Z)
• Hierarchical Semi-Supervised Contrastive Learning for Contamination-Resistant Anomaly Detection [81.07346419422605]
  異常検出は、通常のデータ分布から逸脱したサンプルを特定することを目的としている。 コントラスト学習は、異常の効果的な識別を可能にする表現のサンプル化に成功している。 汚染耐性異常検出のための新しい階層型半教師付きコントラスト学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-07-24T18:49:26Z)
• Ranking hierarchical multi-label classification results with mLPRs [4.869182515096001]
  与えられたクラス階層に固執しながら、参加者の少ない第2段階の質問に焦点を合わせます。 CATCHと呼ばれる新しい目的関数を導入し、適切な分類性能を確保する。 提案手法は,合成データセットと2つの実データセットを用いて評価した。
  論文  参考訳（メタデータ） (2022-05-16T17:43:35Z)
• Cross-Site Severity Assessment of COVID-19 from CT Images via Domain Adaptation [64.59521853145368]
  CT画像によるコロナウイルス病2019(COVID-19)の早期かつ正確な重症度評価は,集中治療単位のイベント推定に有効である。 ラベル付きデータを拡張し、分類モデルの一般化能力を向上させるためには、複数のサイトからデータを集約する必要がある。 この課題は、軽度の感染症と重度の感染症の集団不均衡、部位間のドメイン分布の相違、不均一な特徴の存在など、いくつかの課題に直面する。
  論文  参考訳（メタデータ） (2021-09-08T07:56:51Z)

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。