論文の概要: GRAPE: Graph-Augmented Prototype Explanations for Interactive Medical Image Diagnosis

• arxiv url: http://arxiv.org/abs/2606.30901v1
• Date: Mon, 29 Jun 2026 20:45:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-01 18:27:18.999922
• Title: GRAPE: Graph-Augmented Prototype Explanations for Interactive Medical Image Diagnosis
• Title（参考訳）: GRAPE:インタラクティブな医用画像診断のためのグラフ強化プロトタイプ説明
• Authors: Rasul Khanbayov, Hasan Kurban,
• Abstract要約: 原型ベースの医用画像分類器は、発見を独立したものとして扱い、安全でない医師のフィードバックを静かに増幅し、新しい発見が必要なときは常に完全な再訓練を必要とする。 GRAPE(Graph-Augmented Prototype Explanations)は,3つの課題すべてに対処する統一アーキテクチャである。 第一に、グラフ注意タスクヘッドは解剖学的概念の共起をモデル化し、TBX11Kのプロトタイプベースライン上でマクロF1を+13.8,ppアップする。 第二に、概念ミスマッチ安全性チェック(Concept-Mismatch Safety Check)は、医師が引き起こした領域内でのモデルの圧倒的な発見が、主張されたラベルと矛盾し、誤ったアノテーションの85%をキャッチし、51%に対して警告する。
• 参考スコア（独自算出の注目度）: 0.8594140167290097
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Prototype-based medical image classifiers present three clinical limitations: they treat findings as independent, silently amplify unsafe physician feedback, and require full retraining whenever a new finding is needed. We present GRAPE (Graph-Augmented Prototype Explanations), a unified architecture that addresses all three challenges. First, a Graph Attention Task Head models anatomical concept co-occurrence, boosting macro-F1 by +13.8,pp over the prototype baseline on TBX11K. Second, a Concept-Mismatch Safety Check - the first such mechanism in prototype-based medical classifiers - warns when the model's dominant finding inside a doctor-drawn region conflicts with the claimed label, catching 85% of erroneous annotations versus 51% for MC-Dropout with no extra inference cost. Third, Open-Vocabulary Prototype Anchoring aligns visual prototypes to clinical text, allowing a new finding to be added from a single labeled image without modifying any other component. On NIH ChestX-ray14, one Effusion example recovers full-supervision localization accuracy; on TBX11K, prototype maps achieve 2.6x better lesion localization than end-to-end baselines. All three capabilities add only +1~ms latency at interactive batch size. The project page is https://github.com/KurbanIntelligenceLab/GRAPE.
• Abstract（参考訳）: プロトタイプベースの医用画像分類器は、発見を独立したものとして扱うこと、安全でない医師のフィードバックを静かに増幅すること、新しい発見が必要なときにフルリトレーニングする必要があること、の3つの臨床的限界を提示する。 GRAPE(Graph-Augmented Prototype Explanations)は,3つの課題すべてに対処する統一アーキテクチャである。 第一に、グラフ注意タスクヘッドは解剖学的概念の共起をモデル化し、TBX11Kのプロトタイプベースライン上でマクロF1を+13.8,ppアップする。 第2に、プロトタイプベースの医療分類器における最初のそのようなメカニズムであるConcept-Mismatch Safety Check – は、医師が描画した領域内でモデルの圧倒的な発見が、主張するラベルと矛盾する場合に警告する。 第3に、Open-Vocabulary Prototype Anchoringは、ビジュアルプロトタイプを臨床テキストに合わせることで、他のコンポーネントを変更することなく、単一のラベル付きイメージから新たな発見を追加することができる。 NIH ChestX-ray14では、Effusionの例がフルスーパービジョンのローカライゼーションの精度を回復し、TBX11Kでは、プロトタイプマップはエンド・ツー・エンドのベースラインよりも2.6倍良い病変ローカライゼーションを実現している。 これら3つの機能は、対話型バッチサイズで+1〜msレイテンシのみを追加する。 プロジェクトページはhttps://github.com/KurbanIntelligenceLab/GRAPE。

関連論文リスト

• Disease-Centric Vision-Language Pretraining with Hybrid Visual Encoding for 3D Computed Tomography [75.7789001619107]
  ビジョン言語による事前トレーニングは、汎用医療AIにとって大きな可能性を秘めている。 3つの主要なコンポーネントを特徴とするフレームワークを提案する。 診断対応プロンプト戦略では、トレーニング前の推論ギャップを埋めるために、実際の臨床用語と集約された疾患プロトタイプを用いている。
  論文  参考訳（メタデータ） (2026-06-24T08:24:45Z)
• Attention-Based Prototype Calibration for Multi-Rater Few-Shot Medical Image Segmentation [4.310867444150861]
  医用画像分割法は一般的に1つの地平線アノテーションを仮定する。 数発のマルチレイタセグメンテーションのためのアテンションベースプロトタイプキャリブレーションフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-06-15T07:31:08Z)
• Universal Boosts, Specific Suppressors: Sparse Autoencoder Steering of Medical Vision-Language Models [6.166748218298133]
  医用視覚モデル(VLM)は胸部X線レポートを作成する際にしばしば発見を作製する。 パートーケンススパースオートエンコーダに基づく復号時間残差ステアリングにより、重み更新なしでこれを緩和する。 MIMIC-CXRテストスプリットでは,推測のみの手法により,生成したレポートの品質が向上する。
  論文  参考訳（メタデータ） (2026-05-24T10:17:24Z)
• MedPruner: Training-Free Hierarchical Token Pruning for Efficient 3D Medical Image Understanding in Vision-Language Models [59.180043227905294]
  MedPrunerは、3次元医用画像の効率的な理解のためのトレーニング不要でモデルに依存しない階層的トークンプレーニングフレームワークである。 我々は、MedPrunerによって、MedGemmaのようなモデルが元の性能を維持したり、超えたりすることが可能であり、ビジュアルトークンの5%以下を維持していることを示す。
  論文  参考訳（メタデータ） (2026-03-12T07:37:00Z)
• GRAFNet: Multiscale Retinal Processing via Guided Cortical Attention Feedback for Enhancing Medical Image Polyp Segmentation [6.834321209531585]
  本稿では,人間の視覚システムの階層構造を模倣する生物学的にインスパイアされたアーキテクチャであるGRAFNetを提案する。 GRAFNetは,(1)方向調整された皮質ニューロンをポリプ境界に模倣するガイド非対称注意モジュール(GAAM),(2)平行多機能解析のために網膜神経節細胞経路を複製するマルチスケール網膜モジュール(MSRM),(3)反復精製に予測符号化を適用するガイド非対称注意フィードバックモジュール(GCAFM)の3つの重要なモジュールを統合する。
  論文  参考訳（メタデータ） (2026-02-15T17:29:37Z)
• MedROV: Towards Real-Time Open-Vocabulary Detection Across Diverse Medical Imaging Modalities [89.81463562506637]
  医用画像のための最初のリアルタイムオープン語彙検出モデルであるMedROVを紹介する。 対照的な学習とクロスモーダル表現を活用することで、MedROVは既知の構造と新しい構造の両方を効果的に検出する。
  論文  参考訳（メタデータ） (2025-11-25T18:59:53Z)
• Enhancing Weakly Supervised 3D Medical Image Segmentation through Probabilistic-aware Learning [47.700298779672366]
  3次元医用画像のセグメンテーションは、疾患の診断と治療計画に重要な意味を持つ課題である。 近年の深層学習の進歩は、完全に教師付き医療画像のセグメンテーションを著しく強化している。 本稿では,3次元医用画像に特化して設計された,確率的適応型弱教師付き学習パイプラインを提案する。
  論文  参考訳（メタデータ） (2024-03-05T00:46:53Z)
• Mine yOur owN Anatomy: Revisiting Medical Image Segmentation with Extremely Limited Labels [54.58539616385138]
  我々は、Mine yOur owN Anatomy (MONA) と呼ばれる、新しい半教師付き2次元医用画像セグメンテーションフレームワークを紹介する。 まず、先行研究では、すべてのピクセルがモデルトレーニングに等しく重要であると論じており、我々はこの1つだけで意味のある解剖学的特徴を定義できないことを経験的に観察している。 第2に,医療画像を解剖学的特徴の集合に分解できるモデルを構築する。
  論文  参考訳（メタデータ） (2022-09-27T15:50:31Z)
• Anomaly Detection-Inspired Few-Shot Medical Image Segmentation Through Self-Supervision With Supervoxels [23.021720656733088]
  そこで本研究では, 異常検出に着想を得た新規な医用画像分割手法を提案する。 我々は1つの前景のプロトタイプを使用して、全てのクエリピクセルの異常スコアを計算する。 セグメンテーションは、学習しきい値を用いてこれらの異常スコアをしきい値にすることで実行される。
  論文  参考訳（メタデータ） (2022-03-03T22:36:39Z)
• One-shot Weakly-Supervised Segmentation in Medical Images [12.184590794655517]
  ワンショットおよび弱教師付き設定による3次元医用画像セグメンテーションの革新的枠組みを提案する。 注釈付きボリュームからラベルなしの3D画像へスクリブルを投影するために,伝搬再構成ネットワークを提案する。 デュアルレベルの特徴記述モジュールは、解剖学的およびピクセルレベルの特徴に基づいて、スクリブルを洗練させるように設計されている。
  論文  参考訳（メタデータ） (2021-11-21T09:14:13Z)
• Convolutional-LSTM for Multi-Image to Single Output Medical Prediction [55.41644538483948]
  発展途上国の一般的なシナリオは、複数の理由からボリュームメタデータが失われることである。 ヒトの診断過程を模倣したマルチイメージから単一診断モデルを得ることが可能である。
  論文  参考訳（メタデータ） (2020-10-20T04:30:09Z)

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。