論文の概要: Triple-Phase Multimodal Knowledge Aggregation Framework for Microbial Keratitis Subtype Diagnosis on Slit-Lamp Photography

• arxiv url: http://arxiv.org/abs/2607.03740v1
• Date: Sat, 04 Jul 2026 07:06:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 22:26:29.703097
• Title: Triple-Phase Multimodal Knowledge Aggregation Framework for Microbial Keratitis Subtype Diagnosis on Slit-Lamp Photography
• Title（参考訳）: スリットランプ撮影における細菌性角膜炎サブタイプ診断のための三相多モード知識集約フレームワーク
• Authors: Yiqing Wang, Maria A. Woodward, Ziyun Yang, N. Venkatesh Prajna, Chunming He, Leslie M. Niziol, Mercy Pawar, Ming-Chen Lu, Guillermo Amescua, Rachel Wozniak, Sejal Amin, Abinaya Krishnan, Prabhleen Kochar, Sina Farsiu,
• Abstract要約: スリットランプ写真を用いた細菌-真菌-真菌角膜炎分類のための三相フレームワークを開発した。 対象は,インドと米国における1,645例と17,158例であった。 このモデルは85.84%の精度で、平均F1スコアは84.46%、AUCは0.885であった。
• 参考スコア（独自算出の注目度）: 8.940867055941087
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Microbial keratitis requires rapid pathogen identification to guide treatment, but culture- and PCR-based diagnostics are slow and resource-intensive. We developed a triple-phase multimodal framework for bacterial-versus-fungal keratitis classification using slit-lamp photographs acquired under blue-light, sclerotic-scatter, and white-light illumination, together with clinical metadata. The model combines cross-modality contrastive learning, modality-specific fine-tuning, and feature-level multimodal ensemble learning for patient-level prediction. We evaluated the framework on a multicenter dataset of 1,645 patients and 17,158 images from India and the United States. The model achieved 85.84% accuracy, 84.46% average F1-score, and 0.885 AUC. Site-specific evaluation showed that pooled results were overly optimistic, whereas resampling- and balance-based re-evaluation provided a more realistic assessment of cross-site generalization. Under all settings, our framework remained the top-performing approach. Upon acceptance, the code will be released and dataset access will be provided subject to University of Michigan data-sharing clearance.
• Abstract（参考訳）: 微生物角膜炎は治療を誘導するために急激な病原体同定を必要とするが、培養およびPCRに基づく診断は遅く、資源集約的である。 ブルーライト, 強膜散乱, ホワイトライト照明下で得られたスリットランプ写真と臨床メタデータを用いた細菌・真菌・真菌角膜炎分類のための3相多モードフレームワークを開発した。 このモデルは、患者レベルの予測のために、クロスモーダルコントラスト学習、モダリティ固有の微調整、特徴レベルのマルチモーダルアンサンブル学習を組み合わせる。 対象は,インドと米国における1,645例と17,158例であった。 このモデルは85.84%の精度で、平均F1スコアは84.46%、AUCは0.885であった。 サイト特異的評価では,プール化結果が過度に楽観的であるのに対して,再サンプリングおよびバランスに基づく再評価により,クロスサイト一般化のより現実的な評価が得られた。 すべての設定において、私たちのフレームワークは最高パフォーマンスのアプローチのままでした。 承認されると、コードはリリースされ、ミシガン大学データ共有クリアランスの対象となるデータセットアクセスが提供される。

関連論文リスト

• BenchX: Benchmarking AI Models for Cancer Detection and Localization with Demographic and Protocol Biases [59.19934491064188]
  人工知能(AI)は医療画像において顕著な成功を収めた。 これらのモデルは、実世界の臨床環境において矛盾なく機能することが多い。 我々は,12種類の腫瘍検出AIモデルを体系的に評価する85,355個のCTスキャンのベンチマークを開発した。
  論文  参考訳（メタデータ） (2026-06-23T17:58:59Z)
• Predicting Immune Biomarkers with MultiModal Mixture-of-Expert Pathology Foundation Models Empowers Precision Oncology [47.79180201495836]
  MixTIMEは、異なるモダリティで訓練された病理基盤モデルを統合したマルチモーダル基礎モデルである。 ヘマトキシリンおよびエオシン全スライディング画像から多重免疫蛍光(mIF)タンパク質の発現を予測する。 MixTIMEは17個のタンパク質マーカーにまたがる最先端のパフォーマンスを相関指標で測定する。
  論文  参考訳（メタデータ） (2026-06-16T16:22:42Z)
• Quasi-multimodal-based pathophysiological feature learning for retinal disease diagnosis [4.437523386839875]
  多モードデータ合成と融合を統合した統合フレームワークが網膜疾患の分類とグレーディングのために提案されている。 提案する学習システムは,画像空間と特徴空間の両方の可視化を通して,徹底的に解釈される。 この研究は網膜疾患スクリーニングの精度と効率を高めるだけでなく、様々な医用画像モダリティにまたがるデータ拡張のためのスケーラブルなフレームワークも提供する。
  論文  参考訳（メタデータ） (2026-02-03T15:13:57Z)
• Taylor-Series Expanded Kolmogorov-Arnold Network for Medical Imaging Classification [0.0]
  本研究は,限られた多様なデータセットを用いた正確な医用画像分類のためのKAN(Kolmogorov-Arnold Networks)を紹介する。 モデルはSBTAYLOR-KAN、B-splinesとTaylorシリーズの統合、SBRBF-KAN、Morletウェーブレット変換にB-splinesを埋め込むSBWAVELET-KANである。 脳MRI,胸部X線,結核X線,皮膚病変画像を前処理なしで評価した。
  論文  参考訳（メタデータ） (2025-09-17T04:33:54Z)
• PE-MVCNet: Multi-view and Cross-modal Fusion Network for Pulmonary Embolism Prediction [4.659998272408215]
  肺塞栓症(PE)の早期発見は、患者の生存率を高めるために重要である。 PE-MVCNetとよばれる多モード核融合法を提案する。 提案モデルは既存の手法より優れており, 単一のデータモダリティを用いたモデルと比較して, マルチモーダル融合モデルの方が優れていることを裏付けるものである。
  論文  参考訳（メタデータ） (2024-02-27T03:53:27Z)
• Beyond Images: An Integrative Multi-modal Approach to Chest X-Ray Report Generation [47.250147322130545]
  画像からテキストまでの放射線学レポート生成は,医療画像の発見を記述した放射線学レポートを自動生成することを目的としている。 既存の方法の多くは画像データのみに焦点をあてており、他の患者情報は放射線科医に公開されていない。 胸部X線レポートを生成するための多モードディープニューラルネットワークフレームワークを,非構造的臨床ノートとともにバイタルサインや症状などの構造化された患者データを統合することで提案する。
  論文  参考訳（メタデータ） (2023-11-18T14:37:53Z)
• 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)
• Co-Heterogeneous and Adaptive Segmentation from Multi-Source and Multi-Phase CT Imaging Data: A Study on Pathological Liver and Lesion Segmentation [48.504790189796836]
  我々は,新しいセグメンテーション戦略,コヘテロジネティック・アダプティブセグメンテーション(CHASe)を提案する。 本稿では,外見に基づく半スーパービジョン,マスクに基づく対向ドメイン適応,擬似ラベルを融合した多目的フレームワークを提案する。 CHASeは4.2% sim 9.4%$の範囲で、病理的な肝臓マスクDice-Sorensen係数をさらに改善することができる。
  論文  参考訳（メタデータ） (2020-05-27T06:58:39Z)

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。