論文の概要: CIV-DG: Conditional Instrumental Variables for Domain Generalization in Medical Imaging

• arxiv url: http://arxiv.org/abs/2603.25202v1
• Date: Thu, 26 Mar 2026 09:07:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-27 20:52:48.204593
• Title: CIV-DG: Conditional Instrumental Variables for Domain Generalization in Medical Imaging
• Title（参考訳）: CIV-DG:医療画像における領域一般化のための条件付き機器変数
• Authors: Shaojin Bai, Yuting Su, Weizhi Nie,
• Abstract要約: 医療AIにおけるクロスサイト一般化性は、選択バイアスによって損なわれる。 CIV-DGは病的意味をスキャナーによって引き起こされたアーティファクトから切り離す因果的枠組みである。 Camelyon17ベンチマークと大規模なChest X-Rayデータセットの実験は、CIV-DGが主要なベースラインを大幅に上回っていることを示している。
• 参考スコア（独自算出の注目度）: 28.44504764194173
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cross-site generalizability in medical AI is fundamentally compromised by selection bias, a structural mechanism where patient demographics (e.g., age, severity) non-randomly dictate hospital assignment. Conventional Domain Generalization (DG) paradigms, which predominantly target image-level distribution shifts, fail to address the resulting spurious correlations between site-specific variations and diagnostic labels. To surmount this identifiability barrier, we propose CIV-DG, a causal framework that leverages Conditional Instrumental Variables to disentangle pathological semantics from scanner-induced artifacts. By relaxing the strict random assignment assumption of standard IV methods, CIV-DG accommodates complex clinical scenarios where hospital selection is endogenously driven by patient demographics. We instantiate this theory via a Deep Generalized Method of Moments (DeepGMM) architecture, employing a conditional critic to minimize moment violations and enforce instrument-error orthogonality within demographic strata. Extensive experiments on the Camelyon17 benchmark and large-scale Chest X-Ray datasets demonstrate that CIV-DG significantly outperforms leading baselines, validating the efficacy of conditional causal mechanisms in resolving structural confounding for robust medical AI.
• Abstract（参考訳）: 医療AIにおけるクロスサイト一般化性は、患者の人口動態(例えば、年齢、重症度)が病院の割り当てを非ランダムに指示する構造的メカニズムである選択バイアスによって根本的に損なわれている。 画像レベルの分布シフトを主に対象とする従来のドメイン一般化(DG)パラダイムは、サイト固有のバリエーションと診断ラベルの間に生じる急激な相関に対処できない。 この識別可能性障壁を克服するため,コンディション・インスツルメンタル・バリアブルを応用したCIV-DG(CIV-DG)を提案する。 標準IV法の厳密なランダムな割り当て仮定を緩和することにより、CIV-DGは患者層によって病院の選択が不均一に駆動される複雑な臨床シナリオに対応できる。 我々は、この理論をDeep Generalized Method of Moments (DeepGMM)アーキテクチャを通じてインスタンス化し、条件付き批評家を用いてモーメント違反を最小限に抑え、人口層内の楽器・エラーの正統性を強制する。 Camelyon17ベンチマークと大規模Chest X-Rayデータセットの大規模な実験は、CIV-DGが主要なベースラインを大幅に上回ることを示した。

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)
• AngioDG: Interpretable Channel-informed Feature-modulated Single-source Domain Generalization for Coronary Vessel Segmentation in X-ray Angiography [3.515262079463771]
  心臓血管疾患が世界的に死因となっている。 X線冠動脈造影(X-ray Coronary Angiography, XCA)は、リアルタイム心臓手術におけるゴールドスタンダードである。 XCAの一般的な血管分割モデルは、画像プロトコルや患者人口の変動により困難である。
  論文  参考訳（メタデータ） (2025-11-21T19:21:21Z)
• Single Domain Generalization in Diabetic Retinopathy: A Neuro-Symbolic Learning Approach [0.5581472054346949]
  KG-DGは糖尿病網膜症(DR)分類のための神経象徴的枠組みである。 視覚変換器と専門家誘導のシンボル推論を統合し、目に見えない領域をまたいだ一般化を可能にする。
  論文  参考訳（メタデータ） (2025-09-03T01:07:49Z)
• UdonCare: Hierarchy Pruning for Unseen Domain Discovery in Predictive Healthcare [8.077539743672732]
  本稿では,患者を患者データから分割した潜在領域に分割する階層化誘導手法を提案する。 医用階層(ICD-9-IV-CMなど)を用いて患者ドメインを同定する。 MIMIC-IIIとMIMIC-IIIの2つの公開データセットにおいて、UdonCareはドメインギャップがかなり大きい4つの臨床予測タスクに対して優位性を示す。
  論文  参考訳（メタデータ） (2025-06-08T03:20:34Z)
• Adaptable Cardiovascular Disease Risk Prediction from Heterogeneous Data using Large Language Models [70.64969663547703]
  AdaCVDは、英国バイオバンクから50万人以上の参加者を対象に、大規模な言語モデルに基づいて構築された適応可能なCVDリスク予測フレームワークである。 包括的かつ可変的な患者情報を柔軟に取り込み、構造化データと非構造化テキストの両方をシームレスに統合し、最小限の追加データを使用して新規患者の集団に迅速に適応する。
  論文  参考訳（メタデータ） (2025-05-30T14:42:02Z)
• How Well Does GPT-4V(ision) Adapt to Distribution Shifts? A Preliminary Investigation [90.93999543169296]
  GPT-4Vは最も先進的な多モード基盤モデルとして機能する。 本研究は, GPT-4Vの動的環境における適応性と一般化能力について, 厳密に評価する。
  論文  参考訳（メタデータ） (2023-12-12T16:48:07Z)
• 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)
• An Adversarial Domain Separation Framework for Septic Shock Early Prediction Across EHR Systems [7.058760708627898]
  本稿では,異なる医療システムから収集したEHRの2つのカテゴリの相違に対処する汎用ドメイン適応(DA)フレームワークを提案する。 本研究は,米国における異なる医療システムから得られた2つの現実的 EHR を用いて,極めて困難な症状である敗血症性ショックの早期診断のための枠組みを評価する。
  論文  参考訳（メタデータ） (2020-10-26T23:41:33Z)

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。