論文の概要: Prior-Anchored Debiasing for Long-Tailed Multi-Organ Pathology Report Generation

• arxiv url: http://arxiv.org/abs/2607.00499v1
• Date: Wed, 01 Jul 2026 06:31:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-02 19:56:07.755373
• Title: Prior-Anchored Debiasing for Long-Tailed Multi-Organ Pathology Report Generation
• Title（参考訳）: 長期多臓器疾患に対する術前脱骨術
• Authors: Feng Yang, Jie Liu, Yubo Pang, Peilin Chen, Xinheng Lyu, Shiqi Wang, Howard Leung, Ping Chen,
• Abstract要約: 我々はPriOrGen(PriOrGen)の作成フレームワークを新たに提案する。 具体的には、Visual-Prototype Anchored Bottleneckモジュールは、情報ボトルネックの原則を学習可能なアンカー表現で活用する。 Meta-Report Anchored Bankモジュールは、オルガン固有のメタレポートアンカーバンクを構築し、オルガンに忠実なテキスト先行情報を検索して、デコーダをヘッドクラスの物語パターンから遠ざける。
• 参考スコア（独自算出の注目度）: 14.68188876175112
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Automated pathology report generation from Whole Slide Images (WSIs) has attracted increasing attention in digital pathology. However, existing methods are predominantly developed under single-organ settings, overlooking the multi-organ scenarios encountered in clinical practice, where organ types typically follow a long-tailed distribution. To address this gap, we identify two critical biases: (1) visual representation bias, where the encoder favors head-class patterns over tail-class discriminative features, and (2) textual decoding bias, where the decoder overfits to head-class narrative patterns, yielding diagnostically unreliable outputs for tail-class organs. To mitigate these two biases, we propose a novel Prior-anchored multi-Organ pathology report Generation framework (PriOrGen). Specifically, a Visual-Prototype Anchored Bottleneck module leverages the information bottleneck principle with learnable anchor representations to selectively retain diagnostically relevant visual information while filtering out head-biased redundancy. Secondly, a Meta-Report Anchored Bank module constructs an organ-specific meta-report anchored bank and retrieves organ-faithful textual priors to steer the decoder away from head-class narrative patterns. Extensive experiments on a multi- organ pathology dataset demonstrate that our method effectively mitigates long-tail biases and achieves superior report generation performance across both head and tail organ categories compared to state-of-the-art methods.
• Abstract（参考訳）: WSI(Whole Slide Images)から自動診断レポートが自動作成され,デジタル病理学に注目が集まっている。 しかし、既存の手法は、主に単一の臓器設定の下で開発され、臨床実践で遭遇する複数の臓器シナリオを見越す。 このギャップに対処するため,(1) 視覚的表現バイアス,(2) エンコーダが尾の分類的特徴よりも頭部の分類的特徴を優先する部分,(2) テキストの復号バイアス,(2) デコーダが頭部の分類的特徴に過度に適合し,尾の分類的器官に対して診断的に信頼性の低い出力を与える部分,の2つの重要なバイアスを同定した。 これら2つのバイアスを軽減するため,我々はPriOrGen (PriOrGen) を新たに提案する。 特に、Visual-Prototype Anchored Bottleneckモジュールは、情報ボトルネックの原理を学習可能なアンカー表現に活用し、頭部バイアスの冗長性を除去しながら、診断に関連のある視覚情報を選択的に保持する。 第二に、Meta-Report Anchored Bankモジュールは、オルガン固有のメタレポートアンカーバンクを構築し、デコーダをヘッドクラスの物語パターンから遠ざけるために、オルガンに忠実なテキスト先行情報を検索する。 本手法は, 頭部・尾臓器の分類において, 最先端の手法と比較して, 長期的偏差を効果的に軽減し, レポート生成性能に優れることを示した。

関連論文リスト

• Beyond Visual Cues: CoT-Enhanced Reasoning for Semi-supervised Medical Image Segmentation [11.723739388396815]
  CERS(CoT-Enhanced Reasoning)は、病理学的に異なるケースを区別するためにChain-of-Thought(CoT)推論を統合するフレームワークである。 歴史的証拠を特定するために意味認識参照選択戦略を導入する。 マルチスケール座標アテンションモジュールは、この推論に基づくコンテキストをデコードプロセスに効果的に融合するように設計されている。
  論文  参考訳（メタデータ） (2026-06-16T14:10:19Z)
• Graph-Augmented Topological Internalization with Dual-Stream Classifiers for Medical Report Generation [3.3887144970801555]
  トポロジカル内部化を用いたグラフ拡張型デュアルストリーム医療レポート生成法(GDMRG)を提案する。 本フレームワークでは,グローバルな疾患の共起を前提としたパラメータ化重み行列を生成するトポロジカル・ナレッジ・インサイナライゼーション・モジュールであるTKIを導入する。 MIMIC-CXRデータセットの実験は、GDMRGが自然言語の流速を維持しながら競争力のある臨床効果CEを達成することを示した。
  論文  参考訳（メタデータ） (2026-05-04T09:17:27Z)
• Improving Medical Visual Representation Learning with Pathological-level Cross-Modal Alignment and Correlation Exploration [21.260659596426184]
  画像と報告の両方から病理観察の一貫性を最大化するために,新しい病理レベルの相互アライメント(PCMA)手法を提案する。 PCMAモジュールは外部の疾患アノテーションとは独立して動作し,本手法の汎用性と堅牢性を高める。 実験により,提案するフレームワークは,複数の下流タスクにおいて,新しい最先端性能を実現することを示す。
  論文  参考訳（メタデータ） (2025-06-12T11:01:57Z)
• FMDNN: A Fuzzy-guided Multi-granular Deep Neural Network for Histopathological Image Classification [40.94024666952439]
  ファジィ誘導多粒性ディープニューラルネットワーク(FMDNN)を提案する。 病理学者の多粒性診断アプローチに触発され, 粗さ, 培地, 微粒度における細胞構造の特徴抽出を行った。 ファジィ誘導型クロスアテンションモジュールは、普遍的なファジィ特徴を多粒性特徴へ導く。
  論文  参考訳（メタデータ） (2024-07-22T00:46:15Z)
• Cross-modal Clinical Graph Transformer for Ophthalmic Report Generation [116.87918100031153]
  眼科報告生成(ORG)のためのクロスモーダルな臨床グラフ変換器(CGT)を提案する。 CGTは、デコード手順を駆動する事前知識として、臨床関係を視覚特徴に注入する。 大規模FFA-IRベンチマークの実験は、提案したCGTが従来のベンチマーク手法より優れていることを示した。
  論文  参考訳（メタデータ） (2022-06-04T13:16:30Z)
• AlignTransformer: Hierarchical Alignment of Visual Regions and Disease Tags for Medical Report Generation [50.21065317817769]
  本稿では,Align Hierarchical Attention (AHA)とMulti-Grained Transformer (MGT)モジュールを含むAlign Transformerフレームワークを提案する。 パブリックなIU-XrayとMIMIC-CXRデータセットの実験は、AlignTransformerが2つのデータセットの最先端メソッドと競合する結果が得られることを示している。
  論文  参考訳（メタデータ） (2022-03-18T13:43:53Z)
• Factored Attention and Embedding for Unstructured-view Topic-related Ultrasound Report Generation [70.7778938191405]
  本研究では,非構造的トピック関連超音波レポート生成のための新しい因子的注意・埋め込みモデル(FAE-Gen)を提案する。 提案したFAE-Genは主に2つのモジュール、すなわちビュー誘導因子の注意とトピック指向因子の埋め込みから構成されており、異なるビューで均質および不均一な形態的特徴を捉えている。
  論文  参考訳（メタデータ） (2022-03-12T15:24:03Z)
• Generalized Organ Segmentation by Imitating One-shot Reasoning using Anatomical Correlation [55.1248480381153]
  そこで我々は,アノテーション付きオルガンクラスから一般化されたオルガン概念を学習し,その概念を未知のクラスに転送するOrganNetを提案する。 そこで,OrganNetは臓器形態の幅広い変化に効果的に抵抗でき,一発分節タスクで最先端の結果が得られることを示す。
  論文  参考訳（メタデータ） (2021-03-30T13:41:12Z)
• G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for Biomarker Identification and Disease Classification [49.53651166356737]
  診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。 2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
  論文  参考訳（メタデータ） (2021-01-27T19:28:04Z)
• Auxiliary Signal-Guided Knowledge Encoder-Decoder for Medical Report Generation [107.3538598876467]
  放射線技師の動作パターンを模倣する補助信号誘導知識デコーダ(ASGK)を提案する。 ASGKは、内的特徴融合と外部医療言語情報を統合して、医療知識の伝達と学習をガイドする。
  論文  参考訳（メタデータ） (2020-06-06T01:00:15Z)

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。