論文の概要: ConceptM$^3$oE: Concept-Guided Multimodal Mixture of Experts for Interpretable Computational Pathology

• arxiv url: http://arxiv.org/abs/2605.24399v2
• Date: Wed, 27 May 2026 23:47:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-30 02:45:54.627452
• Title: ConceptM$^3$oE: Concept-Guided Multimodal Mixture of Experts for Interpretable Computational Pathology
• Title（参考訳）: ConceptM$3$oE:Concept-Guided Multimodal Mixture of Experts for Interpretable Computational Pathology
• Authors: Xuan Wang, Zhongling Xu, Gopi Kannedhara, Joakim Nguyen, Jian Yu, Jinrui Fang, Abdurrahmaan Baghdadi, Tianlong Chen, Awais Naeem, Chandra Krishnan, Edward Castillo, Andrew H. Song, Ankita Shukla, Ying Ding, Nicholas Konz, Hairong Wang,
• Abstract要約: ConceptM$3$oEは、Interaction-Aware Mixed-of-expertsパスに直接概念形成を組み込む。 このアーキテクチャは、エビデンスをモダリティ固有の、冗長で、シナジスティックな専門家に分解し、その後、構造化された概念ボトルネックに投影する。 データ制限付きレシエーションでは、ConceptM$3$oEはデータ制限性能を改善し、小さなトレーニングサイズでマクロF1を56.41%から66.70%に向上させた。
• 参考スコア（独自算出の注目度）: 33.27476666910628
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Healthcare models are transitioning from unimodal prediction toward multimodal reasoning over heterogeneous diagnostic inputs. In computational pathology, for complex tumor subtypes where morphology alone can be challenging to distinguish, pathology reports and molecular measurements may provide additional diagnostic evidence alongside whole-slide images, yet existing models often fail to clarify how diverse signals assemble into recognizable diagnostic concepts. We propose ConceptM$^3$oE (Concept Multimodal MoE), which embeds concept formation directly within interaction-aware mixture-of-experts (MoE) pathways. The architecture decomposes evidence into modality-specific, redundant, and synergistic experts, which are then projected into structured concept bottlenecks mapping latent features to a hierarchy of morphology and biomarker concepts. To prevent the information loss typical of interpretable bottlenecks, we utilize residual pathways within each expert to allow task-relevant signals to flow both through the concepts and directly to the final task prediction, so that high performance is maintained alongside interpretability. Across an institutional pediatric brain tumor cohort and a public glioma cohort, the framework delivers competitive performance to unconstrained models while producing reasoning traces validated by an independent neuropathologist. In data-limited regimes, ConceptM$^3$oE improves limited-data performance, increasing macro-F1 from 56.41% to 66.70% at small training sizes compared to non-concept-informed baselines, while also showing faster training convergence consistent with the regularizing effect of concept learning. This work offers a scalable path toward high-performance medical AI that is inherently verifiable and better aligned with the complex decision-making of clinical practice.
• Abstract（参考訳）: 医療モデルは、不均一な診断入力よりも、一様予測から多様推論へと移行している。 計算病理学では、形態学的に区別が難しい複雑な腫瘍のサブタイプに対して、病理学報告と分子計測は、全スライディング画像と共に追加の診断証拠を提供する可能性があるが、既存のモデルは、どのように多様な信号が認識可能な診断概念に組み立てられるかを明らかにするのに失敗することが多い。 本稿では,M$3$oE(Concept Multimodal MoE)を提案する。 このアーキテクチャは、証拠をモダリティに特有で冗長でシナジスティックな専門家に分解し、その後、潜在する特徴を形態学とバイオマーカーの概念の階層にマッピングする構造化された概念ボトルネックに投影する。 解釈可能なボトルネックの典型的な情報損失を防止するため、各専門家の残留経路を利用して、タスク関連信号が概念と最終タスク予測の両方を通して直接流れるようにし、高い性能を解釈可能性とともに維持する。 機関的な小児脳腫瘍コホートと公共のグリオーマコホートにまたがって、このフレームワークは、独立した神経病理学者によって検証された推論トレースを生成しながら、制約のないモデルに競争的なパフォーマンスを提供する。 データ制限付きレシエーションでは、ConceptM$^3$oEは制限データの性能を改善し、マクロF1を56.41%から66.70%まで小さなトレーニングサイズで増加させ、概念学習の正規化効果と一致した高速なトレーニング収束を示す。 この研究は、本質的に検証可能で、臨床実践の複雑な意思決定に適合する、高性能な医療AIへのスケーラブルな道を提供する。

関連論文リスト

• DCG-Net: Dual Cross-Attention with Concept-Value Graph Reasoning for Interpretable Medical Diagnosis [14.035057926904559]
  概念ボトルネックモデル (Concept Bottleneck Models, CBM) は、人間の解釈可能な臨床概念による構造予測である。 既存のCBMは、コンセプト間のコンテキスト依存を概ね見落としている。 本稿では,マルチモーダルアライメントと構造化概念推論を統合した,エンドツーエンドの解釈可能なフレームワークであるemphDCG-Netを提案する。
  論文  参考訳（メタデータ） (2026-03-20T01:11:58Z)
• Multimodal Model for Computational Pathology:Representation Learning and Image Compression [0.7901604416781479]
  ワイルスライド画像(WSI)は、ギガピクセルの病理像の計算解析を可能にすることで、デジタル病理を変革した。 本稿では,近年のマルチモーダル計算病理学の進歩を概観する。
  論文  参考訳（メタデータ） (2026-03-19T09:24:44Z)
• Vision-Language Models Encode Clinical Guidelines for Concept-Based Medical Reasoning [3.2723884637302443]
  概念ボトルネックモデル(Concept Bottleneck Models, CBM)は、AIを解釈するための重要なフレームワークである。 臨床ガイドラインを視覚言語と推論モデルと統合する概念ベースの推論フレームワークであるMedCBRを提案する。 本フレームワークは,医用画像解析から意思決定までの終端ブリッジを構築できる。
  論文  参考訳（メタデータ） (2026-03-09T20:39:46Z)
• Concept-Enhanced Multimodal RAG: Towards Interpretable and Accurate Radiology Report Generation [12.226029763256962]
  VLM(Vision-Language Models)による放射線学レポート生成は、ドキュメントの負担軽減、レポートの一貫性の向上、臨床導入の加速を約束する。 既存の研究では、解釈可能性と精度を別々の目的として扱い、概念に基づく説明可能性技術は透明性に重点を置いている。 本稿では,視覚表現を解釈可能な臨床概念に分解する統合フレームワークであるCEMRAG(Concept-Enhanced Multimodal RAG)を提案する。
  論文  参考訳（メタデータ） (2026-02-17T15:18:07Z)
• Interpretable Neuropsychiatric Diagnosis via Concept-Guided Graph Neural Networks [56.75602443936853]
  青少年の5人に1人は、不安、うつ病、行動障害などの精神状態または行動の健康状態と診断されている。 従来の研究では、障害予測にグラフニューラルネットワーク(GNN)アプローチを使用していたが、ブラックボックスのままであり、信頼性と臨床翻訳を制限している。 本研究では,解釈可能な機能接続の概念を符号化する概念に基づく診断フレームワークを提案する。 我々の設計は臨床的に意味のある接続パターンを通じて予測を保証し、解釈可能性と強い予測性能の両方を可能にする。
  論文  参考訳（メタデータ） (2025-10-02T19:38:46Z)
• 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)
• MIRROR: Multi-Modal Pathological Self-Supervised Representation Learning via Modality Alignment and Retention [57.044719143401664]
  病理組織学と転写学は、腫瘍学の基本的なモダリティであり、疾患の形態学的および分子的側面を包含している。 モーダルアライメントと保持を両立させる新しいマルチモーダル表現学習法であるMIRRORを提案する。 がんの亜型化と生存分析のためのTCGAコホートに関する広範囲な評価は,MIRRORの優れた性能を浮き彫りにしている。
  論文  参考訳（メタデータ） (2025-03-01T07:02:30Z)
• MICA: Towards Explainable Skin Lesion Diagnosis via Multi-Level Image-Concept Alignment [4.861768967055006]
  本稿では, 医療画像と臨床関連概念を多層的に意味的に整合させるマルチモーダル説明型疾患診断フレームワークを提案する。 提案手法は, モデル解釈可能性を維持しながら, 概念検出と疾患診断に高い性能とラベル効率を実現する。
  論文  参考訳（メタデータ） (2024-01-16T17:45:01Z)

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。