論文の概要: Causal Transfer in Medical Image Analysis

• arxiv url: http://arxiv.org/abs/2603.24388v1
• Date: Wed, 25 Mar 2026 15:04:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-26 21:06:11.34961
• Title: Causal Transfer in Medical Image Analysis
• Title（参考訳）: 医用画像解析における因果転移
• Authors: Mohammed M. Abdelsamea, Daniel Tweneboah Anyimadu, Tasneem Selim, Saif Alzubi, Lei Zhang, Ahmed Karam Eldaly, Xujiong Ye,
• Abstract要約: 本研究は,医療画像解析のための因果転移学習の導入と体系化について述べる。 我々は、ドメインシフトを因果問題とみなし、構造因果モデル、不変リスク最小化、および反事実推論をトランスファーラーニングパイプラインに組み込む方法について分析する。
• 参考スコア（独自算出の注目度）: 4.54332392261488
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Medical imaging models frequently fail when deployed across hospitals, scanners, populations, or imaging protocols due to domain shift, limiting their clinical reliability. While transfer learning and domain adaptation address such shifts statistically, they often rely on spurious correlations that break under changing conditions. On the other hand, causal inference provides a principled way to identify invariant mechanisms that remain stable across environments. This survey introduces and systematises Causal Transfer Learning (CTL) for medical image analysis. This paradigm integrates causal reasoning with cross-domain representation learning to enable robust and generalisable clinical AI. We frame domain shift as a causal problem and analyse how structural causal models, invariant risk minimisation, and counterfactual reasoning can be embedded within transfer learning pipelines. We studied spanning classification, segmentation, reconstruction, anomaly detection, and multimodal imaging, and organised them by task, shift type, and causal assumption. A unified taxonomy is proposed that connects causal frameworks and transfer mechanisms. We further summarise datasets, benchmarks, and empirical gains, highlighting when and why causal transfer outperforms correlation-based domain adaptation. Finally, we discuss how CTL supports fairness, robustness, and trustworthy deployment in multi-institutional and federated settings, and outline open challenges and research directions for clinically reliable medical imaging AI.
• Abstract（参考訳）: 医療画像モデルは、病院、スキャナー、人口、または画像プロトコルがドメインシフトによって展開されるときに頻繁に失敗し、臨床上の信頼性が制限される。 移行学習とドメイン適応は統計的にそのような変化に対処するが、しばしば変化する条件の下で壊れる急激な相関に依存する。 一方、因果推論は環境全体にわたって安定な不変機構を同定する原理的な方法を提供する。 本研究は,医療画像解析における因果転移学習(CTL)の導入と体系化について述べる。 このパラダイムは、因果推論とクロスドメイン表現学習を統合して、堅牢で汎用的な臨床AIを実現する。 我々は、ドメインシフトを因果問題とみなし、構造因果モデル、不変リスク最小化、および反事実推論をトランスファーラーニングパイプラインに組み込む方法について分析する。 分類,セグメンテーション,再構成,異常検出,マルチモーダルイメージングについて検討し,課題,シフトタイプ,因果仮定によって整理した。 因果関係と伝達機構を結合した統合分類法が提案されている。 我々はさらにデータセット、ベンチマーク、経験的ゲインを要約し、因果移動が相関に基づくドメイン適応よりも優れている時期と理由を強調した。 最後に,CTLが多施設・連合環境における公正性,堅牢性,信頼性の高いデプロイメントをどのようにサポートしているかを論じ,臨床に信頼性のある医療画像AIのためのオープンな課題と研究の方向性を概説する。

関連論文リスト

• Clinical Cognition Alignment for Gastrointestinal Diagnosis with Multimodal LLMs [63.535652574541764]
  MLLM(Multimodal Large Language Models)は医用画像解析において顕著な可能性を示した。 消化器内視鏡におけるそれらの応用は、現在、2つの重要な限界によって妨げられている。 本稿では,これらの課題に対処する新しい臨床認知アライメント(CogAlign)フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-21T07:47:37Z)
• Causal Graph Neural Networks for Healthcare [2.446787923076599]
  因果グラフニューラルネットワークは、分布シフト、差別、調査可能性の三つの危機に対処する。 本稿では, 構造因果モデル, 絡み合った因果表現学習, およびグラフ上の介入予測と反実的推論のための手法の方法論的基礎について検討する。
  論文  参考訳（メタデータ） (2025-11-04T12:34:46Z)
• Multimodal Causal-Driven Representation Learning for Generalizable Medical Image Segmentation [56.52520416420957]
  医用画像セグメンテーションにおける領域一般化に取り組むために, MCDRL(Multimodal Causal-Driven Representation Learning)を提案する。 MCDRLは競合する手法より一貫して優れ、セグメンテーション精度が優れ、堅牢な一般化性を示す。
  論文  参考訳（メタデータ） (2025-08-07T03:41:41Z)
• Causal Disentanglement for Robust Long-tail Medical Image Generation [80.15257897500578]
  そこで本研究では,病的特徴と構造的特徴を独立に生成する新しい医用画像生成フレームワークを提案する。 本稿では,病理所見から導かれる拡散モデルを用いて病理像をモデル化し,種々の対物画像の生成を可能にする。
  論文  参考訳（メタデータ） (2025-04-20T01:54:18Z)
• Pre-trained Models Succeed in Medical Imaging with Representation Similarity Degradation [6.545152478351316]
  本研究は,表現類似性軌跡の定量化と解析を中心とした厳密な問題定義を確立する。 実験結果から,タスクの精度と事前学習した起源との類似性の両方を保った高性能モデルが存在する可能性が示唆された。
  論文  参考訳（メタデータ） (2025-03-11T01:37:54Z)
• Diagnosing Transformers: Illuminating Feature Spaces for Clinical Decision-Making [14.377412942836143]
  事前訓練されたトランスフォーマーは、限られた臨床ノートを使用して臨床意思決定を支援するために微調整されることが多い。 モデルの解釈可能性は、特に医学のような高度な領域において、信頼を確立し、安全性を確保するために不可欠である。 本稿では,微調整型変換器の特徴空間の解釈可能性を高めるための体系的フレームワークであるSUFOを紹介する。
  論文  参考訳（メタデータ） (2023-05-27T22:15:48Z)
• Instrumental Variable Learning for Chest X-ray Classification [52.68170685918908]
  本稿では,素因果関係を排除し,正確な因果表現を得るための解釈可能な機器変数(IV)学習フレームワークを提案する。 提案手法の性能はMIMIC-CXR,NIH ChestX-ray 14,CheXpertデータセットを用いて実証した。
  論文  参考訳（メタデータ） (2023-05-20T03:12:23Z)
• Diagnosing failures of fairness transfer across distribution shift in real-world medical settings [60.44405686433434]
  分散シフト下でのモデルフェアネスの変化の診断と緩和は、医療環境における機械学習の安全な展開の重要な構成要素である。 この知識は、文献でしばしば想定されるよりも現実のシフトがより複雑である事例を含む、公平性伝達の失敗の診断に有効であることを示す。
  論文  参考訳（メタデータ） (2022-02-02T13:59:23Z)
• Domain Shift in Computer Vision models for MRI data analysis: An Overview [64.69150970967524]
  機械学習とコンピュータビジョン手法は、医用画像解析において優れた性能を示している。 しかし、現在臨床応用はごくわずかである。 異なるソースや取得ドメインのデータへのモデルの不適切な転送性は、その理由の1つです。
  論文  参考訳（メタデータ） (2020-10-14T16:34:21Z)

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。