論文の概要: Evidential Reasoning Advances Interpretable Real-World Disease Screening

• arxiv url: http://arxiv.org/abs/2605.15171v1
• Date: Thu, 14 May 2026 17:56:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-15 21:45:35.00391
• Title: Evidential Reasoning Advances Interpretable Real-World Disease Screening
• Title（参考訳）: Evidential Reasoning, 解釈可能なリアルタイム疾患スクリーニングの進歩
• Authors: Chenyu Lian, Hong-Yu Zhou, Jing Qin,
• Abstract要約: EviScreenは、疾患スクリーニングのための明らかな推論フレームワークである。 提案されたEviScreenは、二重知識銀行から取得した地域的証拠を通じて、振り返りの解釈性を提供する。 この明らかなメカニズムを用いて、後続のエビデンス対応推論モジュールは、過去の事例から現在の事例とエビデンスの両方を用いて予測を行う。 本手法は, 臨床レベルのリコールにおいて, 現実の疾患スクリーニングのための慎重に確立されたベンチマークにおいて, 高い特異性を示す。
• 参考スコア（独自算出の注目度）: 26.527171870153705
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Disease screening is critical for early detection and timely intervention in clinical practice. However, most current screening models for medical images suffer from limited interpretability and suboptimal performance. They often lack effective mechanisms to reference historical cases or provide transparent reasoning pathways. To address these challenges, we introduce EviScreen, an evidential reasoning framework for disease screening that leverages region-level evidence from historical cases. The proposed EviScreen offers retrospection interpretability through regional evidence retrieved from dual knowledge banks. Using this evidential mechanism, the subsequent evidence-aware reasoning module makes predictions using both the current case and evidence from historical cases, thereby enhancing disease screening performance. Furthermore, rather than relying on post-hoc saliency maps, EviScreen enhances localization interpretability by leveraging abnormality maps derived from contrastive retrieval. Our method achieves superior performance on our carefully established benchmarks for real-world disease screening, yielding notably higher specificity at clinical-level recall. Code is publicly available at https://github.com/DopamineLcy/EviScreen.
• Abstract（参考訳）: 疾患スクリーニングは、早期発見と治験のタイムリーな介入に重要である。 しかし、現在の医用画像のスクリーニングモデルのほとんどは、限定的な解釈可能性と準最適性能に悩まされている。 歴史的事例を参照したり、透明な推論経路を提供する効果的なメカニズムを欠いていることが多い。 これらの課題に対処するために、歴史的事例から地域レベルの証拠を活用する、疾患スクリーニングのための明らかな推論フレームワークであるEviScreenを紹介した。 提案されたEviScreenは、二重知識銀行から取得した地域的証拠を通じて、振り返りの解釈性を提供する。 この明らかなメカニズムを用いて、その後のエビデンス認識推論モジュールは、現在の事例と歴史的事例からのエビデンスの両方を用いて予測を行い、疾患スクリーニング性能を向上させる。 さらにEviScreenは、ポストホックサリエンシマップに頼るのではなく、コントラスト検索から導かれる異常マップを活用することにより、ローカライズ解釈性を向上させる。 本手法は, 臨床レベルのリコールにおいて, 現実の疾患スクリーニングのための慎重に確立されたベンチマークにおいて, 高い特異性を示す。 コードはhttps://github.com/DopamineLcy/EviScreen.comで公開されている。

関連論文リスト

• MultiDx: A Multi-Source Knowledge Integration Framework towards Diagnostic Reasoning [66.94527468532843]
  2段階の診断推論フレームワークであるMultiDxを提案する。 まず Web 検索,SOAP 形式の症例,臨床症例データベースから知識を活用することにより,疑わしい診断と推論経路を生成する。 そして、マッチング、投票、および差分診断を通じて、複数のパースペクティブエビデンスを統合し、最終的な予測を生成する。
  論文  参考訳（メタデータ） (2026-04-27T08:46:29Z)
• Divide-then-Diagnose: Weaving Clinician-Inspired Contexts for Ultra-Long Capsule Endoscopy Videos [83.01543151239254]
  我々は、診断駆動型CEビデオ要約という新しいタスクを定義する。 VideoCAPは、診断駆動アノテーションを備えた最初のCEデータセットである。 DiCEはクリニックにインスパイアされたフレームワークで、標準的なCE読み込みワークフローを反映している。
  論文  参考訳（メタデータ） (2026-04-23T16:07:51Z)
• 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)
• Deep Expert Injection for Anchoring Retinal VLMs with Domain-Specific Knowledge [66.67024684187915]
  LVLM(Large Vision Language Models)は、眼科における自動診断の可能性を秘めている。 彼らの臨床展開は、ドメイン固有の知識の欠如によって著しく妨げられている。 EyExInは、Deep Expert Injectionメカニズムを通じて専門知識で網膜VLMを固定するように設計されたフレームワークである。
  論文  参考訳（メタデータ） (2026-03-07T09:43:49Z)
• XBench: A Comprehensive Benchmark for Visual-Language Explanations in Chest Radiography [6.447908430647854]
  胸部X線におけるクロスモーダル解釈性を評価するための最初の体系的ベンチマークを示す。 我々は,クロスアテンションと類似性に基づくローカライズマップを用いた視覚的説明を生成する。 複数の病理組織を横断する放射線診断領域とのアライメントを定量的に評価した。
  論文  参考訳（メタデータ） (2025-10-22T13:52:19Z)
• KnowGuard: Knowledge-Driven Abstention for Multi-Round Clinical Reasoning [44.49237466254508]
  臨床実践では、患者情報が不十分な場合、医師は意思決定を控える。 禁忌として知られるこの行動は、潜在的に有害な誤診を防ぐ重要な安全メカニズムである。 臨床意思決定のための体系的な知識グラフ探索を統合する新しいパラダイムであるKnowGuardを提案する。
  論文  参考訳（メタデータ） (2025-09-29T14:03:01Z)
• Benchmarking and Mitigate Sycophancy in Medical Vision-Language Models [21.353225217216252]
  視覚言語モデルは、しばしば、証拠に基づく推論よりも、社会的手がかりや認識された権威を記述したユーザーとの整合性に優先順位を付ける、幻想的行動を示す。 本研究は, 新規な臨床評価基準を用いて, 医用視覚質問応答における臨床症状について検討した。
  論文  参考訳（メタデータ） (2025-09-26T07:02:22Z)
• SURE-Med: Systematic Uncertainty Reduction for Enhanced Reliability in Medical Report Generation [2.2185034594788164]
  視覚, 分布, 文脈の3つの重要な次元における不確実性を体系的に低減する統合フレームワークSURE-Medを提案する。 視覚的不確実性を軽減するため、Frontal-Aware View Resamplingモジュールはビューアノテーションエラーを修正し、補足ビューから情報的特徴を適応的に選択する。 ラベル分布の不確実性に対処するために,批判的診断文のモデリングを促進させるToken Sensitive Learningの目標を提案する。 文脈不確実性を低減するため、文脈証拠フィルタは、現在の画像と整合する事前情報を検証し、選択的に組み込んで、幻覚を効果的に抑制する。
  論文  参考訳（メタデータ） (2025-08-03T09:52:30Z)
• Seeing the Trees for the Forest: Rethinking Weakly-Supervised Medical Visual Grounding [45.248265283405004]
  現在のモデルは、非効率な注意機構ときめ細かいトークン表現の欠如により、テキスト記述と病気領域を関連付けるのに苦労している。 本稿では、VLMの説明可能性マップを用いて、適切な画像特徴を識別する病原体認識プロンプト(DAP)を提案する。 DAPは3つの主要な胸部X線データセットの最先端手法と比較して、視覚的接地精度を20.74%向上させる。
  論文  参考訳（メタデータ） (2025-05-21T05:16:45Z)

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。