論文の概要: Structured Visual Evidence Decomposition for Evidence-Grounded Multimodal Screening of Obstructive Sleep Apnea-Hypopnea Syndrome

• arxiv url: http://arxiv.org/abs/2606.00087v1
• Date: Sat, 23 May 2026 06:09:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-02 21:34:27.874777
• Title: Structured Visual Evidence Decomposition for Evidence-Grounded Multimodal Screening of Obstructive Sleep Apnea-Hypopnea Syndrome
• Title（参考訳）: 閉塞型睡眠時無呼吸症候群のマルチモーダルスクリーニングのための構造的視覚的エビデンス分解
• Authors: Chen Zhan, Yingchen Wei, Xiaoyu Tan, Jingjing Huang, Xihe Qiu,
• Abstract要約: EviOSAHSはエビデンスベースのマルチモーダル推論フレームワークである。 画像のみの解剖学的証拠の取得と最終臨床判断を分離する。 88.47%の精度、94.86%の感度、93.74%のF1スコア、5.14%の偽陰性率を記録した。
• 参考スコア（独自算出の注目度）: 12.95586927836034
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Effective pre-polysomnography screening for obstructive sleep apnea-hypopnea syndrome (OSAHS) requires combining clinical risk factors with visible craniofacial and neck cues. Directly prompting general-purpose multimodal foundation models for medical yes/no decisions can yield unstable, poorly calibrated outputs. We propose EviOSAHS, an evidence-grounded multimodal reasoning framework that separates image-only anatomical evidence acquisition from final clinical adjudication. Each frontal facial image is decomposed into seven fixed anatomical queries covering the neck, chin, mouth, face/neck fat, lower jaw, midface, and nose. Visual responses are converted into structured evidence cards recording target anatomy, visibility, risk direction, evidence strength, confidence, and a concise summary. These cards are combined with a cleaned clinical profile only in the final stage, where a large language model performs balanced binary screening adjudication. We evaluated EviOSAHS on a 642-subject cohort, mapping normal subjects to screening-negative and mild, moderate, or severe OSAHS subjects to screening-positive. EviOSAHS achieved 88.47% accuracy, 94.86% sensitivity, 93.74% F1-score, and a 5.14% false-negative rate, outperforming clinical-only prompting, direct multimodal prompting, and naive two-stage pipelines under a unified protocol. Ablations showed that seven-question visual decomposition and balanced final adjudication were critical to the high-sensitivity operating point. A question-level audit of 4,494 visual outputs showed a 100% structured parse rate and 93.88% high-visibility rate. EviOSAHS provides an auditable, high-sensitivity workflow for binary pre-polysomnography OSAHS screening, but should be viewed as a triage assistant rather than a diagnostic system. Prospective validation, external testing, and calibrated operating-point control are needed before clinical deployment.
• Abstract（参考訳）: 閉塞型睡眠時無呼吸症候群(OSAHS)に対する効果的なプレポリソノグラフィースクリーニングは、臨床リスク因子と頭蓋顔面および頸部のキューを併用する必要がある。 医学的イエス/ノー決定のための汎用多目的基礎モデルを直接的に促すと、不安定で、校正の不十分な出力が得られる。 EviOSAHSは,画像のみの解剖学的証拠取得と最終的臨床適応を分離した,エビデンスに基づくマルチモーダル推論フレームワークである。 各顔画像は、首、あご、口、顔/頸部脂肪、下顎、中顔、鼻を覆う7つの固定された解剖学的クエリに分解される。 視覚応答は、標的解剖、可視性、リスク方向、証拠強度、自信、簡潔な要約を記録した構造化されたエビデンスカードに変換される。 これらのカードは、大言語モデルがバランスの取れた二分検定を行う最終段階でのみ、クリーニングされた臨床プロファイルと組み合わせられる。 健常者はスクリーニング陰性,軽度,中等度,重度,重度なOSAHSをスクリーニング陽性にマッピングし,642対象コホートを用いたEviOSAHSの評価を行った。 EviOSAHSは88.47%の精度、94.86%の感度、93.74%のF1スコア、および5.14%の偽陰性率を達成した。 アブレーションの結果,7つの視覚的分解とバランスの取れた最終判断が高感度動作点に重要であった。 4,494の視覚出力の質問レベル監査では、100%構造化されたパース率と93.88%の高可視率を示した。 EviOSAHSは、バイナリプリポリソノグラフィーOSAHSスクリーニングのための監査可能な高感度ワークフローを提供するが、診断システムではなくトリアージアシスタントと見なすべきである。 臨床展開の前には、前向きの検証、外部検査、調整済みの操作点制御が必要である。

関連論文リスト

• Towards Clinically Interpretable Ophthalmic VQA via Spatially-Grounded Lesion Evidence [51.57735743553791]
  今回我々はFundusGroundを紹介した。これは臨床的に解釈可能な眼科用VQAの空間的根拠を用いた新しいベンチマークである。 この構造された病変の証拠に基づいて、72,706の質問が4つのフォーマットにまたがって生成される。 実験により、病変レベルの視覚的エビデンスを組み込むことで、モデルの性能と透明性が一貫して向上することが示された。
  論文  参考訳（メタデータ） (2026-05-21T12:37:03Z)
• Benchmarking Multi-turn Medical Diagnosis: Hold, Lure, and Self-Correction [72.89352076103889]
  大規模言語モデル (LLM) は, 臨床情報がすべて一ターンで提供される場合に, 高い精度で診断を行う。 1,035例からなる高忠実多ターン診断ベンチマークであるMINTを導入する。 診断決定に大きな影響を及ぼす3つの永続的な行動パターンを明らかにする。
  論文  参考訳（メタデータ） (2026-04-06T00:23:10Z)
• The Scaffold Effect: How Prompt Framing Drives Apparent Multimodal Gains in Clinical VLM Evaluation [1.9655003184977389]
  臨床画像コホートであるtextscFOR2107 と textscOASIS-3 の2値分類により,12個のオープンウェイト視覚言語モデル(VLM)を評価した。 これらの条件下では、より小さなVLMは、ニューロイメージングの文脈を導入すると最大58%のF1のゲインを示し、蒸留されたモデルは、桁違いに大きいものと競合するようになる。
  論文  参考訳（メタデータ） (2026-03-30T12:58:10Z)
• Evaluating ChatGPT's Performance in Classifying Pneumonia from Chest X-Ray Images [0.0]
  我々はOpenAIのGPt-4oモデルを用いて胸部X線画像をゼロショット環境でNORMALまたはPNEUMONIAに分類する能力を評価する。 その結果, 簡潔で特徴重視のプロンプトは, 74%と高い分類精度を達成できた。
  論文  参考訳（メタデータ） (2025-10-22T13:31:44Z)
• An Explainable Hybrid AI Framework for Enhanced Tuberculosis and Symptom Detection [55.35661671061754]
  結核は、特に資源に制限された遠隔地において、重要な世界的な健康問題である。 本稿では, 胸部X線による疾患および症状の検出を, 2つの頭部と自己監督頭部を統合することで促進する枠組みを提案する。 本モデルでは, 新型コロナウイルス, 結核, 正常症例の鑑別で98.85%の精度が得られ, マルチラベル症状検出では90.09%のマクロF1スコアが得られた。
  論文  参考訳（メタデータ） (2025-10-21T17:18:55Z)
• EchoBench: Benchmarking Sycophancy in Medical Large Vision-Language Models [82.43729208063468]
  医療用LVLM(Large Vision-Language Models)の最近のベンチマークでは、信頼性と安全性を見越して、リーダボードの精度を強調している。 ユーザが提供した情報を非批判的に反響させる傾向のモデルについて検討する。 医療用LVLMの梅毒を系統的に評価するベンチマークであるEchoBenchを紹介する。
  論文  参考訳（メタデータ） (2025-09-24T14:09:55Z)
• An Attention Based Pipeline for Identifying Pre-Cancer Lesions in Head and Neck Clinical Images [1.0957311485487375]
  頭頸部癌は外科生検後に専門病院で診断されるが、診断が遅れる可能性がある。 疑わしい病変,分節を同定し,非異形成性,異形成性,癌性病変に分類するアテンションベースパイプラインを提案する。
  論文  参考訳（メタデータ） (2024-05-03T09:02:17Z)
• COVID-Net USPro: An Open-Source Explainable Few-Shot Deep Prototypical Network to Monitor and Detect COVID-19 Infection from Point-of-Care Ultrasound Images [66.63200823918429]
  COVID-Net USProは、最小限の超音波画像から高精度で新型コロナウイルス陽性の患者を監視し、検出する。 ネットワーク全体では99.65%の精度、99.7%のリコール、99.67%の精度で5発の撮影で訓練された。
  論文  参考訳（メタデータ） (2023-01-04T16:05:51Z)
• Malignancy Prediction and Lesion Identification from Clinical Dermatological Images [65.1629311281062]
  臨床皮膚画像から機械学習に基づく悪性度予測と病変の同定を検討する。 まず, サブタイプや悪性度に関わらず画像に存在するすべての病変を同定し, その悪性度を推定し, 凝集により, 画像レベルの悪性度も生成する。
  論文  参考訳（メタデータ） (2021-04-02T20:52:05Z)

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。