論文の概要: Polyp-D2ATL: Deep Domain-Adaptive Transfer Learning for Colorectal Polyp Classification under Label Distribution Shift

• arxiv url: http://arxiv.org/abs/2606.15000v1
• Date: Fri, 12 Jun 2026 22:42:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-16 16:21:32.568085
• Title: Polyp-D2ATL: Deep Domain-Adaptive Transfer Learning for Colorectal Polyp Classification under Label Distribution Shift
• Title（参考訳）: Polyp-D2ATL:ラベル分布シフトに基づく大腸ポリープ分類のための深部ドメイン適応トランスファー学習
• Abstract要約: 大腸ポリープの早期かつ高精度な予測は、最も危険な種類のがんの重要な兆候であり、より多くの命を救う結果となる。 大腸ポリープ分類の進歩にもかかわらず、自動ポリープ予測システムを得る上で多くの課題が残っている。 我々は,NICE分類に属するポリプの異なるクラスを効果的に予測する,特定のトレーニング戦略を伴う新しいフレームワークであるPolyp-D2ATLを提案する。
• 参考スコア（独自算出の注目度）: 0.26097841018267615
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Early and highly accurate prediction of colorectal polyps, as an important sign of one of the most dangerous types of cancer, will result in saving more lives. Despite the advancements in colorectal polyp classification, many challenges remain in obtaining an automated polyp prediction system that is able to diagnose the difficult-to-predict polyps accompanied by different features in real scenarios, where the model can handle imbalanced data, label distribution shift, and cross-modality generalization successfully. In this study, we propose Polyp-D2ATL, a novel framework accompanied by a specific training strategy, which mitigates these limitations and effectively predicts the different classes of polyps belonging to the NICE classification. Our extensive experiments on the PICCOLO validation and test sets demonstrate that the proposed Polyp-D2ATL significantly outperforms existing state-of-the-art models across various reliable metrics, achieving an accuracy of 82.38%, a Macro-F1 of 77.49%, and a specificity of 87.47% on the validation set, alongside consistent improvements on the held-out test set which demonstrates the generalization capacity and clinical applicability of the proposed approach.
• Abstract（参考訳）: 大腸ポリープの早期かつ高精度な予測は、最も危険な種類のがんの重要な兆候であり、より多くの命を救う結果となる。 大腸ポリープ分類の進歩にもかかわらず、実際のシナリオにおいて、モデルが不均衡なデータ、ラベルの分布シフト、および相互モダリティの一般化をうまく扱えるような、予測が難しいポリープを診断できる自動ポリープ予測システムを得るには、多くの課題が残っている。 本研究では,これらの制約を緩和し,NICE分類に属するポリプの異なるクラスを効果的に予測する,特定のトレーニング戦略を伴う新しいフレームワークであるPolyp-D2ATLを提案する。 PICCOLOの検証とテストセットに関する広範な実験により、提案したPolyp-D2ATLは、様々な信頼性指標で既存の最先端モデルを著しく上回り、82.38%の精度、77.49%のマクロF1、87.47%の特異性を検証セット上で達成し、提案手法の一般化能力と臨床応用性を一貫して改善した。

関連論文リスト

• PREBA: Surgical Duration Prediction via PCA-Weighted Retrieval-Augmented LLMs and Bayesian Averaging Aggregation [51.96735866702332]
  PreBAはPCA重み付き検索とベイズ平均アグリゲーションを統合した検索拡張フレームワークである。 例えば、PreBAはパフォーマンスを大幅に改善し、MAEを最大40%削減し、ゼロショット推論でR2を-0.13から0.62に引き上げる。
  論文  参考訳（メタデータ） (2026-02-27T07:19:23Z)
• Rethinking the Trust Region in LLM Reinforcement Learning [72.25890308541334]
  PPO(Proximal Policy Optimization)は、大規模言語モデル(LLM)のデファクト標準アルゴリズムとして機能する。 より原則的な制約でクリッピングを代用する多変量確率ポリシー最適化(DPPO)を提案する。 DPPOは既存の方法よりも優れたトレーニングと効率を実現し、RLベースの微調整のためのより堅牢な基盤を提供する。
  論文  参考訳（メタデータ） (2026-02-04T18:59:04Z)
• Investigating the Impact of Histopathological Foundation Models on Regressive Prediction of Homologous Recombination Deficiency [52.50039435394964]
  回帰に基づくタスクの基礎モデルを体系的に評価する。 我々は5つの最先端基礎モデルを用いて、スライド画像全体(WSI)からパッチレベルの特徴を抽出する。 乳房、子宮内膜、肺がんコホートにまたがるこれらの抽出された特徴に基づいて、連続したRDDスコアを予測するモデルが訓練されている。
  論文  参考訳（メタデータ） (2026-01-29T14:06:50Z)
• Robust Polyp Detection and Diagnosis through Compositional Prompt-Guided Diffusion Models [32.17651741681871]
  合成ポリプ画像を生成するためのプログレッシブスペクトル拡散モデル(PSDM)を提案する。 PSDMは、セグメンテーションマスク、バウンディングボックス、大腸内視鏡検査などの様々な臨床アノテーションを統合し、それらを合成プロンプトに変換する。 トレーニングデータをPSDM生成サンプルで強化することにより,ポリプの検出,分類,セグメンテーションを大幅に改善する。
  論文  参考訳（メタデータ） (2025-02-25T08:22:45Z)
• Continually Evolved Multimodal Foundation Models for Cancer Prognosis [50.43145292874533]
  がん予後は、患者の予後と生存率を予測する重要なタスクである。 これまでの研究では、臨床ノート、医療画像、ゲノムデータなどの多様なデータモダリティを統合し、補完的な情報を活用している。 既存のアプローチには2つの大きな制限がある。まず、各病院の患者記録など、各種のトレーニングに新しく到着したデータを組み込むことに苦慮する。 第二に、ほとんどのマルチモーダル統合手法は単純化された結合やタスク固有のパイプラインに依存しており、モダリティ間の複雑な相互依存を捉えることができない。
  論文  参考訳（メタデータ） (2025-01-30T06:49:57Z)
• Deep Bayesian segmentation for colon polyps: Well-calibrated predictions in medical imaging [0.0]
  我々は,さまざまなベイズニューラルネットワークを用いて,大腸ポリプ画像のセマンティックセグメンテーションを開発する。 その結果、これらのモデルが、この医療データセットのセグメンテーションにおける最先端のパフォーマンスを提供するだけでなく、正確な不確実性の推定値が得られることがわかった。
  論文  参考訳（メタデータ） (2024-07-23T16:13:27Z)
• ECC-PolypDet: Enhanced CenterNet with Contrastive Learning for Automatic Polyp Detection [88.4359020192429]
  既存の手法では、計算コストのかかるコンテキストアグリゲーションが伴うか、ポリープの事前モデリングが欠如しているため、難解なケースでは性能が低下する。 本稿では,2段階のトレーニングとエンドツーエンド推論フレームワークである Enhanced CenterNet with Contrastive Learning (ECC-PolypDet) を提案する。 Box-assisted Contrastive Learning (BCL) は, クラス内差を最小限に抑え, 前庭ポリープと背景のクラス間差を最大化するため, 隠れポリープを捕捉する。 微調整段階におけるIoU誘導サンプル再重み付けの導入
  論文  参考訳（メタデータ） (2024-01-10T07:03:41Z)
• Bayesian uncertainty-weighted loss for improved generalisability on polyp segmentation task [4.624678312108088]
  一方の中央から別の中心へのポリープの出現による変動, 内視鏡機器の品位の違い, および取得品質は, 分配試験データに対して良好な性能を示す方法をもたらす。 不公平モデルには深刻な意味があり、臨床応用にとって重要な課題となっている。 トレーニング中にベイズ予測の不確実性を生かした暗黙バイアス緩和手法を適用し, モデルが過小評価されたサンプル領域に集中するよう促す。
  論文  参考訳（メタデータ） (2023-09-13T08:54:22Z)
• Validating polyp and instrument segmentation methods in colonoscopy through Medico 2020 and MedAI 2021 Challenges [58.32937972322058]
  メディコオートマチックポリープセグメンテーション(Medico 2020)と「メディコ:医療画像の透明性(MedAI 2021)」コンペティション。 本報告では, それぞれのコントリビューションを包括的に分析し, ベストパフォーマンスメソッドの強さを強調し, クリニックへの臨床翻訳の可能性について考察する。
  論文  参考訳（メタデータ） (2023-07-30T16:08:45Z)
• AG-CUResNeSt: A Novel Method for Colon Polyp Segmentation [0.0]
  本稿では、ロバストなResNeStバックボーンとアテンションゲートを用いて結合ユニセットを強化するAG-CUResNeStと呼ばれる新しいニューラルネットワークアーキテクチャを提案する。 提案手法は既存手法と比較して最先端の精度を実現する。
  論文  参考訳（メタデータ） (2021-05-02T06:36:36Z)

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。