論文の概要: Transition-Aware best-of-N sampling for Longitudinal Chest X-ray Reports
- arxiv url: http://arxiv.org/abs/2606.28393v1
- Date: Tue, 23 Jun 2026 23:11:59 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-30 18:07:15.543701
- Title: Transition-Aware best-of-N sampling for Longitudinal Chest X-ray Reports
- Title（参考訳）: 経時的胸部X線検査におけるベストオブN法の検討
- Abstract要約: プレトレーニング胸部X線レポートジェネレータのためのトレーニング不要ベストオブNサンプリング方式を提案する。
transition-awareのベスト・オブ・Nはボード全体のランダムな選択よりも優れています。
- 参考スコア（独自算出の注目度）: 2.2462804525190427
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In longitudinal clinical practice, every chest X-ray is read in the context of the patients prior exam, and much of what the radiologist communicates is the change from one visit to the next. To the best of our knowledge, we present the first training-free best-of-N sampling scheme for pre-trained chest X-ray report generators that is explicitly aware of this longitudinal prior to current transition. We call it transition-aware best-of-N sampling, each report is split into sentences and embedded into an unordered set in Rd; each (prior, current) pair is reduced to a fixed-dim directional vector via a set-to-set distance designed to encode the change between the two sets; and candidates are scored by cosine distance from their candidate transition vector to a cached bank of ground-truth training transition vectors, aggregated as min or kNN. We instantiate the framework with four directional set distances (mean-shift, novelty residual, directed-Hausdorff anchor, and cost-weighted optimal transport) and evaluate on a multi-visit AP-PA cohort, running inference under three prompts on three vision-language generators. Transition-aware best-of-N outperforms random selection across the board, with the largest relative gains on the Impression section.
- Abstract（参考訳）: 縦断的臨床実践では、各胸部X線は、検査前の患者の文脈で読み取られ、放射線医が伝えることの多くは、ある訪問から次の訪問への変化である。
我々の知る限り、この経年変化を意識した前訓練胸部X線レポートジェネレータのためのトレーニングフリーのベスト・オブ・Nサンプリングスキームを提示する。
それぞれのレポートを文に分割して Rd に非順序集合に埋め込む。各 (主, 電流) ペアは2つのセット間の変化を符号化するセット・ツー・セット距離によって固定ディム指向ベクトルに還元され、候補は、候補の遷移ベクトルから、 min または kNN として集約された基底的トレーニング遷移ベクトルのキャッシュバンクへの余分な距離によってスコアされる。
フレームワークを4つの方向設定距離(平均シフト, 新規残差, 有向ハウスドルフアンカー, コスト重み付けされた最適輸送)でインスタンス化し, 多視点AP-PAコホートで評価し, 3つのビジョンジェネレータ上で3つのプロンプトで推論を実行する。
トランジッション・アウェアのベスト・オブ・Nはボード全体のランダムな選択よりも優れており、印象部で最大の相対的な利得がある。
関連論文リスト
- ProgFormer: Hierarchical Voxel Diffusion Transformer for Longitudinal Brain MRI Prediction [81.07048249760953]
縦方向の変化は、しばしば微妙で、特定の解剖学的領域に限られる。
ほとんどの被験者固有の脳構造は、時間とともに安定している。
ProgFormerは、縦型脳MRI予測のための階層型ボクセル空間拡散変換器である。
論文 参考訳（メタデータ） (2026-07-30T00:13:42Z) - Exploring the Design Space of Reward Backpropagation for Flow Matching [47.80328464705813]
FlowBPは、後方軌道自体をデザインオブジェクトとして扱う統一的なサロゲート・トラジェクトリフレームワークである。
FlowBP-Sparse、FlowBP-Bridge、FlowBP-Lagrangeの3つの変種をインスタンス化する。
アクティブセットサイズと制限勾配連鎖による3つの有界メモリは、少なくとも1つのジャコビアン因子に連鎖する。
論文 参考訳（メタデータ） (2026-06-09T16:36:54Z) - SDR: Set-Distance Rewards for Radiology Report Generation [2.2462804525190427]
生成した埋め込みと参照埋め込みの間の集合間距離を連続的、置換不変な報酬として提案する。
2つのデータセットと3つのビジョン言語モデルにまたがって、GRPOによるセットからセットまでの距離に基づく報酬による後トレーニングは、教師付き微調整よりも一貫して優れています。
同じ設定距離はテストタイムのベスト・オブ・N$選択を可能にする。
論文 参考訳（メタデータ） (2026-05-30T00:10:51Z) - CCS: Clinical Consensus Selection for Radiology Report Generation [22.68973031681527]
本稿では,複数の候補レポートを抽出し,最も臨床的なコンセンサスが高いものを選択するデコーダに依存しない推論時間選択フレームワークを提案する。
CCSはシングルパスデコーディングやBest-of-Nベースラインよりも推論時のパフォーマンスを一貫して改善している。
論文 参考訳（メタデータ） (2026-05-28T15:59:29Z) - Posterior Augmented Flow Matching [64.1559809786948]
後拡張フローマッチング(PAFM)はフローマッチング(FM)の一般化である
PAFMは、異なるモデルスケールで最大3.4FID50KでFMよりも改善されていることを示す。
論文 参考訳（メタデータ） (2026-05-01T17:59:59Z) - PRIME: Prototype-Driven Multimodal Pretraining for Cancer Prognosis with Missing Modalities [86.63247982275396]
PRIMEは、欠落を認識したマルチモーダルな自己教師型事前トレーニングフレームワークである。
部分的に観察されたコホートから頑健で伝達可能な表現を学ぶ。
The Cancer Genome AtlasのPRIMEを32種類の癌に対してラベルフリープレトレーニングで評価した。
論文 参考訳（メタデータ） (2026-04-05T21:14:27Z) - ST-DAI: Single-shot 2.5D Spatial Transcriptomics with Intra-Sample Domain Adaptive Imputation for Cost-efficient 3D Reconstruction [1.7603474309877931]
コスト効率のよい2.5Dサンプリングスキームをサンプル内ドメイン適応型計算フレームワークと組み合わせた,3D transcriptomics用単ショットフレームワークST-DAIを紹介する。
まず、コスト効率2.5Dサンプリング段階において、1つの基準部(中央部)を完全にサンプリングし、他の部(隣接部)を疎サンプリングする。
第2に、このコスト効率のよい2.5D STスキームから完全な3D STを生成できる単発3D計算学習法を提案する。
論文 参考訳（メタデータ） (2025-07-29T05:46:37Z) - Fractured Chain-of-Thought Reasoning [61.647243580650446]
完全CoTと解のみのサンプリングを補間する統合推論時間戦略であるフラクチャードサンプリングを導入する。
フラクチャードサンプリングは、Pass@kとトークンの予算に対して、急激なログ線形スケーリングゲインをもたらすため、優れた精度とコストのトレードオフを一貫して達成できることを示す。
論文 参考訳（メタデータ） (2025-05-19T11:30:41Z) - Attention-based Multi-scale Gated Recurrent Encoder with Novel
Correlation Loss for COVID-19 Progression Prediction [3.3070542851160782]
本研究は,CXRから肺浸潤の進展を予測するための深層学習に基づくアプローチを提案する。
本枠組みは,前回のCXRから表象を学習し,その日の患者に対するゾーンワイド病重症度を予測する。
論文 参考訳（メタデータ） (2021-07-18T00:37:55Z) - Deep Shells: Unsupervised Shape Correspondence with Optimal Transport [52.646396621449]
本稿では,3次元形状対応のための教師なし学習手法を提案する。
提案手法は,複数のデータセット上での最先端技術よりも大幅に改善されていることを示す。
論文 参考訳（メタデータ） (2020-10-28T22:24:07Z) - MetricUNet: Synergistic Image- and Voxel-Level Learning for Precise CT
Prostate Segmentation via Online Sampling [66.01558025094333]
本稿では,前立腺領域を高速に局在させる第1段階と,前立腺領域を正確に区分する第2段階の2段階のフレームワークを提案する。
マルチタスクネットワークにおけるボクセルワイドサンプリングによる新しいオンラインメトリック学習モジュールを提案する。
本手法は,従来のクロスエントロピー学習法やDice損失学習法と比較して,より代表的なボクセルレベルの特徴を効果的に学習することができる。
論文 参考訳（メタデータ） (2020-05-15T10:37:02Z)
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。