論文の概要: Analogical Reasoning as a Doctor: A Foundation Model for Gastrointestinal Endoscopy Diagnosis

• arxiv url: http://arxiv.org/abs/2604.05649v1
• Date: Tue, 07 Apr 2026 09:54:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-08 17:42:09.750395
• Title: Analogical Reasoning as a Doctor: A Foundation Model for Gastrointestinal Endoscopy Diagnosis
• Title（参考訳）: 医師としてのアナロジカル推論:消化器内視鏡診断の基礎モデル
• Authors: Peixi Peng, Housheng Xie, Yanling Wei, Guangcong Ruan, Xiaoyang Zou, Qian Cao, Yongjian Nian, Guoyan Zheng,
• Abstract要約: 我々は,アナログ推論に基づく消化管内視鏡画像の基礎モデルであるRATNetを開発した。 RATNetは、5つの消化管内視鏡データセットを通して、異種の専門家アノテーションから知識を取得し、転送する。 アーキテクチャはエンコーダ、関連知識取得・転送(RAT)モジュール、プロジェクタ、マルチタスクヘッドで構成される。
• 参考スコア（独自算出の注目度）: 14.623565433879333
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Gastrointestinal diseases impose a growing global health burden, and endoscopy is a primary tool for early diagnosis. However, routine endoscopic image interpretation still suffers from missed lesions and limited efficiency. Although AI-assisted diagnosis has shown promise, existing models often lack generalizability, adaptability, robustness, and scalability because of limited medical data, domain shift, and heterogeneous annotations. To address these challenges, we develop RATNet, a foundation model for gastrointestinal endoscopy imaging based on analogical reasoning. RATNet acquires and transfers knowledge from heterogeneous expert annotations across five gastrointestinal endoscopy datasets through a cyclic pre-training strategy. Its architecture consists of an encoder, a relevance-knowledge acquisition and transfer (RAT) module, a projector, and a multi-task head, and supports fine-tuning, linear probing, and zero-shot transfer. Evaluations show that RATNet outperforms existing foundation models, including GastroNet and GastroVision, across six scenarios: diagnosis of common gastrointestinal diseases, few-shot learning for rare diseases, zero-shot transfer to new medical sites, robustness under long-tailed disease distributions, adaptation to novel diseases, and privacy-preserving deployment via federated learning. Its advantage comes from an analogical reasoning mechanism that matches image-derived posterior knowledge to a learned prior knowledge base and transfers relative knowledge to guide diagnosis, improving generalization and resistance to bias. RATNet is open and cost-effective, supports automatic integration of heterogeneous annotations without manual label unification, and reduces data acquisition costs, making it a practical foundation for intelligent gastrointestinal diagnosis, especially in resource-limited settings.
• Abstract（参考訳）: 消化器疾患は世界的な健康上の負担を増大させ、内視鏡は早期診断の主要なツールである。 しかし, 定期的な内視鏡的画像解釈は, 病変の欠如や, 能率の低下に悩まされている。 AIによる診断は将来性を示しているが、既存のモデルは医療データやドメインシフト、異種アノテーションに制限があるため、一般化性、適応性、堅牢性、スケーラビリティに欠けることが多い。 これらの課題に対処するため,アナログ推論に基づく消化管内視鏡画像の基礎モデルであるRATNetを開発した。 RATNetは、サイクリック事前学習戦略を通じて、5つの消化管内視鏡データセットにわたる異種専門家アノテーションからの知識を取得し、転送する。 アーキテクチャはエンコーダ、relevance-knowledge acquisition and Transfer (RAT)モジュール、プロジェクタ、マルチタスクヘッドで構成され、微調整、線形プローブ、ゼロショット転送をサポートする。 評価によると、RATNetはガストロネットやガストロビジョンなど、一般的な消化管疾患の診断、まれな疾患の少数ショット学習、新しい医療施設へのゼロショット転送、長い尾の病気の分布下での堅牢性、新しい疾患への適応、フェデレーション学習によるプライバシー保護デプロイメントの6つのシナリオで、既存の基盤モデルを上回っている。 その利点は、画像由来の後方知識と学習前の知識ベースとを一致させ、相対的知識をガイド診断に転送し、一般化を改善し、バイアスに対する抵抗性を向上する類似の推論メカニズムにある。 RATNetはオープンで費用対効果があり、手動でラベルを統一しない異種アノテーションの自動統合をサポートし、データ取得コストを削減し、特にリソース制限された環境でのインテリジェントな消化器診断の実践的基盤となっている。

関連論文リスト

• A Semantically Enhanced Generative Foundation Model Improves Pathological Image Synthesis [82.01597026329158]
  本稿では,組織合成のための相関調整フレームワーク(CRAFTS)について紹介する。 CRAFTSは、生物学的精度を確保するためにセマンティックドリフトを抑制する新しいアライメント機構を組み込んでいる。 本モデルは,30種類の癌にまたがる多彩な病理像を生成する。
  論文  参考訳（メタデータ） (2025-12-15T10:22:43Z)
• Towards Accurate and Interpretable Neuroblastoma Diagnosis via Contrastive Multi-scale Pathological Image Analysis [16.268045905735818]
  病理画像分類に適したコントラスト学習に基づくマルチスケール機能融合モデルであるCMSwinKANを提案する。 マルチスケールの特徴を融合させ、対照的な学習戦略を活用することで、CMSwinKANは臨床医の包括的なアプローチを模倣する。 その結果、CMSwinKANは、既存の最先端の病理モデルよりも、大規模なデータセットで事前訓練されたモデルよりもパフォーマンスがよいことが示された。
  論文  参考訳（メタデータ） (2025-04-18T15:39:46Z)
• GastroVision: A Multi-class Endoscopy Image Dataset for Computer Aided Gastrointestinal Disease Detection [6.231109933741383]
  本データセットは, 解剖学的所見, 病理所見, ポリープ除去症例, 正常所見を含む。 経験豊富なGI内科医によって注釈され、検証された。 我々のデータセットは、GI病の検出と分類のためのAIベースのアルゴリズムの開発を促進することができると信じている。
  論文  参考訳（メタデータ） (2023-07-16T19:36:03Z)
• Gastrointestinal Disease Classification through Explainable and Cost-Sensitive Deep Neural Networks with Supervised Contrastive Learning [0.0]
  本稿では,コスト依存型事前学習型深層畳み込みニューラルネットワーク(CNN)アーキテクチャと教師付きコントラスト学習を活用することで,消化管疾患の分類に新たなアプローチを提案する。 本手法により, ネットワークは, 病原性の特徴を捉えた表現を学習し, サンプル間の類似性の関連性も考慮できる。
  論文  参考訳（メタデータ） (2023-07-14T19:56:30Z)
• Deep Reinforcement Learning Framework for Thoracic Diseases Classification via Prior Knowledge Guidance [49.87607548975686]
  関連疾患に対するラベル付きデータの不足は、正確な診断にとって大きな課題となる。 本稿では,診断エージェントの学習を指導するための事前知識を導入する,新しい深層強化学習フレームワークを提案する。 提案手法の性能はNIHX-ray 14と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） (2023-06-02T01:46:31Z)
• Generative Residual Attention Network for Disease Detection [51.60842580044539]
  本稿では, 条件付き生成逆学習を用いたX線疾患発生のための新しいアプローチを提案する。 我々は,患者の身元を保存しながら,対象領域に対応する放射線画像を生成する。 次に、ターゲット領域で生成されたX線画像を用いてトレーニングを増強し、検出性能を向上させる。
  論文  参考訳（メタデータ） (2021-10-25T14:15:57Z)
• In-Line Image Transformations for Imbalanced, Multiclass Computer Vision Classification of Lung Chest X-Rays [91.3755431537592]
  本研究は、COVID-19 LCXRデータ不足のバランスをとるために画像変換を適用するために、文献の体系を活用することを目的としている。 convolutional neural networks(cnns)のようなディープラーニング技術は、健康状態と疾患状態を区別する特徴を選択することができる。 本研究は,CNNアーキテクチャを用いて高速多クラスLCXR分類を94%精度で行う。
  論文  参考訳（メタデータ） (2021-04-06T02:01:43Z)
• Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
  ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。 胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。 本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
  論文  参考訳（メタデータ） (2021-02-26T02:29:30Z)

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。