論文の概要: Med-CAM: Minimal Evidence for Explaining Medical Decision Making

• arxiv url: http://arxiv.org/abs/2604.13695v1
• Date: Wed, 15 Apr 2026 10:22:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-16 20:38:32.48579
• Title: Med-CAM: Minimal Evidence for Explaining Medical Decision Making
• Title（参考訳）: Med-CAM:医学的意思決定を解説するための最小限の証拠
• Authors: Pirzada Suhail, Aditya Anand, Amit Sethi,
• Abstract要約: 我々は,最小限かつ鋭い地図を生成するためのフレームワークであるMed-CAMを,アクティベーションマッチングによる医学的意思決定の根拠に基づく説明として紹介する。 Med-CAMは、コンパクトでモデルアクティベーションと一致した説明と診断アライメントを明示的に制限することにより、透明なAIを推進し、臨床医の理解と、病理学や放射線学のような高度な医学的応用への信頼を促進する。
• 参考スコア（独自算出の注目度）: 10.850989126934317
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Reliable and interpretable decision-making is essential in medical imaging, where diagnostic outcomes directly influence patient care. Despite advances in deep learning, most medical AI systems operate as opaque black boxes, providing little insight into why a particular diagnosis was reached. In this paper, we introduce Med-CAM, a framework for generating minimal and sharp maps as evidence-based explanations for Medical decision making via Classifier Activation Matching. Med-CAM trains a segmentation network from scratch to produce a mask that highlights the minimal evidence critical to model's decision for any seen or unseen image. This ensures that the explanation is both faithful to the network's behaviour and interpretable to clinicians. Experiments show, unlike prior spatial explanation methods, such as Grad-CAM and attention maps, which yield only fuzzy regions of relative importance, Med-CAM with its superior spatial awareness to shapes, textures, and boundaries, delivers conclusive, evidence-based explanations that faithfully replicate the model's prediction for any given image. By explicitly constraining explanations to be compact, consistent with model activations, and diagnostic alignment, Med-CAM advances transparent AI to foster clinician understanding and trust in high-stakes medical applications such as pathology and radiology.
• Abstract（参考訳）: 診断結果が患者医療に直接影響を及ぼす医療画像において、信頼性と解釈可能な意思決定が不可欠である。 ディープラーニングの進歩にもかかわらず、ほとんどの医療用AIシステムは不透明なブラックボックスとして運用されており、なぜ特定の診断が到達したのかについての知見はほとんど得られていない。 本稿では,最小限かつ鋭い地図を生成するためのフレームワークであるMed-CAMについて,分類器アクティベーションマッチングによる医学的意思決定の根拠に基づく説明として紹介する。 Med-CAMは、スクラッチからセグメンテーションネットワークをトレーニングし、見知らぬ画像に対してモデルの決定に批判的な最小限の証拠を強調するマスクを作成する。 これにより、説明がネットワークの行動に忠実であり、臨床医に解釈可能であることが保証される。 実験では、Grad-CAMやアテンションマップのような従来の空間的説明法とは異なり、Med-CAMは形状、テクスチャ、境界に優れた空間的認識を持ち、任意の画像に対するモデルの予測を忠実に再現する決定的な証拠に基づく説明を提供する。 Med-CAMは、コンパクトでモデルアクティベーションと一致した説明と診断アライメントを明示的に制限することにより、透明なAIを推進し、臨床医の理解と、病理学や放射線学のような高度な医学的応用への信頼を促進する。

関連論文リスト

• RAD: Towards Trustworthy Retrieval-Augmented Multi-modal Clinical Diagnosis [56.373297358647655]
  Retrieval-Augmented Diagnosis (RAD)は、下流タスクで直接マルチモーダルモデルに外部知識を注入する新しいフレームワークである。 RADは、複数の医療ソースからの疾患中心の知識の検索と改善、ガイドライン強化コントラスト損失トランスフォーマー、デュアルデコーダの3つの主要なメカニズムで機能する。
  論文  参考訳（メタデータ） (2025-09-24T10:36:14Z)
• 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)
• Towards generating more interpretable counterfactuals via concept vectors: a preliminary study on chest X-rays [46.667021835430155]
  我々は、臨床概念を生成モデルの潜在空間にマッピングし、概念活性化ベクトル(CAV)を同定する。 抽出された概念はデータセット全体にわたって安定しており、臨床的に関連する特徴を強調する視覚的説明を可能にする。 胸部X線検査の予備的結果から, 胸部X線検査は, 心筋症などの大きな病態を呈するが, より小さな病態はいまだに困難である。
  論文  参考訳（メタデータ） (2025-06-04T15:23:12Z)
• PRS-Med: Position Reasoning Segmentation with Vision-Language Model in Medical Imaging [6.411386758550256]
  PRS-Medは、視覚言語モデルとセグメンテーション機能を統合し、正確なセグメンテーションマスクとそれに対応する空間推論出力の両方を生成するフレームワークである。 MMRSデータセットは、医療画像における位置推論データの欠如に対処するために、多様な空間的な質問応答ペアを提供する。
  論文  参考訳（メタデータ） (2025-05-17T06:42:28Z)
• MediSee: Reasoning-based Pixel-level Perception in Medical Images [6.405810587061276]
  MedSD(Medical Reasoning and Detection)を導入した新しい医療ビジョンタスクについて紹介する。 MedSDの目的は、医療画像に関する暗黙のクエリを理解し、対応するセグメンテーションマスクとターゲットオブジェクトのバウンディングボックスを生成することである。 医学的推論のセグメンテーションと検出のために設計された効果的なベースラインモデルであるメディセーを提案する。
  論文  参考訳（メタデータ） (2025-04-15T09:28:53Z)
• Uncertainty-aware Medical Diagnostic Phrase Identification and Grounding [72.18719355481052]
  MRG(Messical Report Grounding)と呼ばれる新しい課題について紹介する。 MRGは医療報告から診断フレーズとその対応する接地箱を直接エンドツーエンドで識別することを目的としている。 マルチモーダルな大規模言語モデルを用いて診断フレーズを予測する,堅牢で信頼性の高いフレームワークである uMedGround を提案する。
  論文  参考訳（メタデータ） (2024-04-10T07:41:35Z)
• Explaining Clinical Decision Support Systems in Medical Imaging using Cycle-Consistent Activation Maximization [112.2628296775395]
  ディープニューラルネットワークを用いた臨床意思決定支援は、着実に関心が高まりつつあるトピックとなっている。 臨床医は、その根底にある意思決定プロセスが不透明で理解しにくいため、この技術の採用をためらうことが多い。 そこで我々は,より小さなデータセットであっても,分類器決定の高品質な可視化を生成するCycleGANアクティベーションに基づく,新たな意思決定手法を提案する。
  論文  参考訳（メタデータ） (2020-10-09T14:39:27Z)

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。