論文の概要: Explainable Multi-Task Retinal Imaging Reveals Microvascular Signals for Systemic Risk Stratification in Type 2 Diabetes: A Pilot Study
- arxiv url: http://arxiv.org/abs/2605.24913v1
- Date: Sun, 24 May 2026 07:32:58 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-26 19:50:18.506798
- Title: Explainable Multi-Task Retinal Imaging Reveals Microvascular Signals for Systemic Risk Stratification in Type 2 Diabetes: A Pilot Study
- Title（参考訳）: 著明なマルチタスク網膜イメージングによる2型糖尿病の全身的リスク階層化のための微小血管信号の探索 : 実験的検討
- Authors: Mini Han Wang, Liting Huang, Wei Hong, Boonthawan Wingwon,
- Abstract要約: 糖尿病2型糖尿病における網膜微小血管の特徴と全身異常との関連性を明らかにするための多タスク深層学習フレームワークを開発した。
重力重み付きクラス活性化マッピング(Grad-CAM)、解剖学的マスキング、血管アライメント解析を用いてモデル解釈性を評価した。
この枠組みは, 腎臓異常の診断において, タスク依存的な予測性能を示した。
- 参考スコア（独自算出の注目度）: 2.153295259565971
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Retinal imaging provides a non-invasive window into systemic microvascular health and has emerged as a potential biomarker for systemic diseases. However, whether retinal features encode biologically meaningful systemic signals that can be reliably interpreted using explainable artificial intelligence (XAI) remains unclear. An explainable multi-task deep learning framework was developed to investigate associations between retinal microvascular features and systemic abnormalities in Type 2 Diabetes Mellitus. A total of 11,011 fundus images from 2,719 individuals were analysed using a shared neural network with task-specific heads for glycaemic status, kidney abnormality, and multi-system involvement. Model interpretability was evaluated using Gradient-weighted Class Activation Mapping (Grad-CAM), anatomical masking, and vessel alignment analysis. The framework demonstrated task-dependent predictive performance, with the best discrimination observed for kidney abnormality (AUC up to 0.63), whereas glycaemic status prediction showed limited performance (AUC = 0.49-0.61). Explainability analyses consistently localized model attention to retinal vessels and peripapillary regions. Masking experiments showed that occlusion of vascular regions caused the greatest performance decline, indicating that retinal vessels were the primary predictive source. Different architectures exhibited heterogeneous attention patterns, suggesting multiple representational pathways for systemic signal encoding. This pilot study demonstrates that retinal microvascular features contain measurable signals associated with systemic abnormalities, particularly microvascular damage. By integrating multi-task learning with quantitative XAI validation, this framework advances retinal imaging toward interpretable digital biomarkers for systemic risk stratification in diabetes.
- Abstract（参考訳）: 網膜イメージングは、全身の微小血管の健康に非侵襲的な窓を提供し、全身疾患の潜在的なバイオマーカーとして登場した。
しかしながら、網膜の特徴が生物学的に意味のある体系的な信号を符号化し、説明可能な人工知能(XAI)を用いて確実に解釈できるかどうかは不明である。
糖尿病2型糖尿病における網膜微小血管の特徴と全身異常との関連性を明らかにするための多タスク深層学習フレームワークを開発した。
2,719名の個人から得られた11,011個の眼底画像は、糖質状態、腎臓の異常、多系統の関与に関するタスク特異的な頭部を持つ共有ニューラルネットワークを用いて分析された。
重力重み付きクラス活性化マッピング(Grad-CAM)、解剖学的マスキング、血管アライメント解析を用いてモデル解釈性を評価した。
この枠組みは,腎臓異常(AUC:0.63まで)の最高の鑑別でタスク依存予測性能を示し,血糖状態の予測は限られた性能(AUC = 0.49-0.61)を示した。
説明可能性解析は、網膜血管と毛細血管領域に一貫してモデル注意を局在させる。
マスキング実験では、血管領域の閉塞が最大のパフォーマンス低下を引き起こし、網膜血管が主要な予測源であることが示された。
異なるアーキテクチャは異質な注意パターンを示し、システム信号符号化のための複数の表現経路を示唆した。
このパイロット研究は、網膜微小血管の特徴が全身の異常、特に微小血管の損傷に関連する測定可能な信号を含んでいることを示した。
マルチタスク学習と定量的XAIバリデーションを統合することにより、糖尿病の全身的リスク層化のための解釈可能なデジタルバイオマーカーに向けた網膜イメージングを進展させる。
関連論文リスト
- Explainable Retinal Imaging for Prediction of Multi-Organ Dysfunction in Type 2 Diabetes [2.153295259565971]
臓器特異的機能障害を定量化するために, システムレベルの異常指標を構築した。
教師付き機械学習モデルは、マルチシステムのディレギュレーションを予測するために訓練された。
高血糖,腎障害,ジスリピダ血症,炎症が多系統リスクの主要な要因であった。
論文 参考訳（メタデータ） (2026-05-24T07:31:57Z) - Context-Aware Asymmetric Ensembling for Interpretable Retinopathy of Prematurity Screening via Active Query and Vascular Attention [1.8420107091891775]
未熟児網膜症(ROP:Retinopathy of Prematurity)は、小児期盲症の主要な原因の一つである。
現在のディープラーニングモデルは、大きなプライベートデータセットとパッシブマルチモーダル融合に大きく依存している。
本研究では,2つの専門ストリームによる臨床推論をシミュレートする文脈認識非対称アンサンブルモデル(CAAアンサンブル)を提案する。
論文 参考訳（メタデータ） (2026-02-05T02:06:26Z) - Quasi-multimodal-based pathophysiological feature learning for retinal disease diagnosis [4.437523386839875]
多モードデータ合成と融合を統合した統合フレームワークが網膜疾患の分類とグレーディングのために提案されている。
提案する学習システムは,画像空間と特徴空間の両方の可視化を通して,徹底的に解釈される。
この研究は網膜疾患スクリーニングの精度と効率を高めるだけでなく、様々な医用画像モダリティにまたがるデータ拡張のためのスケーラブルなフレームワークも提供する。
論文 参考訳（メタデータ） (2026-02-03T15:13:57Z) - Temporal-Enhanced Interpretable Multi-Modal Prognosis and Risk Stratification Framework for Diabetic Retinopathy (TIMM-ProRS) [0.17398560678845076]
本研究では、ビジョントランスフォーマー(ViT)、畳み込みニューラルネットワーク(CNN)、グラフニューラルネットワーク(GNN)を統合した新しいディープラーニングフレームワークTIMM-ProRSを紹介する。
TIMM-ProRSは、網膜画像と側頭葉バイオマーカー(HbA1c、網膜厚)の両方を独自に利用し、マルチモーダルおよび側頭葉のダイナミクスを捉える。
このモデルは精度97.8%、F1スコアは0.96で、最先端の性能を示し、RSG-NetやDeepDRといった既存の手法より優れている。
論文 参考訳（メタデータ） (2026-01-13T05:57:47Z) - R-GenIMA: Integrating Neuroimaging and Genetics with Interpretable Multimodal AI for Alzheimer's Disease Progression [63.97617759805451]
アルツハイマー病の早期発見には、マクロスケールの神経解剖学的変化とマイクロスケールの遺伝的感受性を統合できるモデルが必要である。
本稿では,新しいROIワイド・ビジョン・トランスフォーマと遺伝的プロンプトを結合した多モード多言語モデルR-GenIMAを紹介する。
R-GenIMAは、通常の認知、主観記憶、軽度認知障害、ADの4方向分類において最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2025-12-22T02:54:10Z) - 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) - Statistical and Topological Summaries Aid Disease Detection for
Segmented Retinal Vascular Images [0.0]
微小血管疾患は網膜画像の視覚検査によって評価される。
病気が静かな症状を示したり、患者が直接の会議に出席できない場合、これは困難である。
微小血管疾患の検出における機械学習アルゴリズムの性能について検討した。
論文 参考訳（メタデータ） (2022-02-20T01:29:36Z) - Assessing glaucoma in retinal fundus photographs using Deep Feature
Consistent Variational Autoencoders [63.391402501241195]
緑内障は症状が重くなるまで無症状のままでいるため、検出が困難である。
緑内障の早期診断は機能的,構造的,臨床的評価に基づいて行われることが多い。
ディープラーニング手法はこのジレンマを、マーカー識別段階をバイパスし、ハイレベルな情報を分析してデータを分類することで部分的に解決している。
論文 参考訳（メタデータ） (2021-10-04T16:06:49Z) - An Interpretable Multiple-Instance Approach for the Detection of
referable Diabetic Retinopathy from Fundus Images [72.94446225783697]
基礎画像における参照糖尿病網膜症検出のための機械学習システムを提案する。
画像パッチから局所情報を抽出し,アテンション機構により効率的に組み合わせることで,高い分類精度を実現することができる。
我々は,現在入手可能な網膜画像データセットに対するアプローチを評価し,最先端の性能を示す。
論文 参考訳（メタデータ） (2021-03-02T13:14:15Z) - Modeling and Enhancing Low-quality Retinal Fundus Images [167.02325845822276]
低画質の眼底画像は臨床観察における不確実性を高め、誤診のリスクを引き起こす。
本稿では,グローバルな劣化要因を抑えるために,臨床指向の基盤拡張ネットワーク(cofe-Net)を提案する。
合成画像と実画像の両方の実験により、我々のアルゴリズムは網膜の細部を失うことなく、低品質の眼底画像を効果的に補正することを示した。
論文 参考訳（メタデータ） (2020-05-12T08:01:16Z)
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。