Fugu-MT 論文翻訳(概要): PulmoSight-XAI: An Explainable Multi-View Attention Ensemble with Gradient Boosting Meta-Learning for Multi-Label Chest X-Ray Classification

論文の概要: PulmoSight-XAI: An Explainable Multi-View Attention Ensemble with Gradient Boosting Meta-Learning for Multi-Label Chest X-Ray Classification

arxiv url: http://arxiv.org/abs/2607.04478v1
Date: Sun, 05 Jul 2026 19:50:53 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-07 22:26:29.946529
Title: PulmoSight-XAI: An Explainable Multi-View Attention Ensemble with Gradient Boosting Meta-Learning for Multi-Label Chest X-Ray Classification
Title（参考訳）: PulmoSight-XAI:マルチラベル胸部X線分類のためのグラディエントブースティングメタラーニングによる説明可能なマルチビューアテンション
Abstract要約: 14の胸部病理の堅牢な分類のための説明可能な階層的多視点アンサンブルフレームワークを提案する。このフレームワークは、フロントとサイドのラジオグラフィーを独立してモデル化することで、ビュー固有のトレーニングを採用する。このフレームワークは最先端のマクロ平均AUROCスコアを前頭葉で0.9319、横線で0.9154と達成している。
参考スコア（独自算出の注目度）: 1.2744523252873352
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Automated chest X-ray classification remains challenging due to severe class imbalance, co-occurring pathologies, and the loss of localized features in conventional architectures. To address these, we propose an explainable hierarchical multi-view ensemble framework for the robust classification of 14 thoracic pathologies. The framework employs view-specific training by independently modeling frontal and lateral radiographs using an ensemble of five complementary convolutional neural networks. Replacing global average pooling, a multi-scale feature fusion strategy augmented with Convolutional Block Attention Modules (CBAM) preserves fine-grained intermediate representations while emphasizing high-level pathology-specific semantic features. To mitigate positive-negative imbalance and varying inter-class difficulty, models are optimized using a novel hybrid objective combining Asymmetric Loss with Adaptive Focal Loss. Beyond simple probability averaging, the framework incorporates a hierarchical meta-learning strategy where test-time augmentation (TTA) predictions and cross-model uncertainty measures are integrated into Level-1 gradient-boosting meta-learners (XGBoost, LightGBM, and CatBoost), followed by Level-2 stacking with optimized alpha blending. Evaluated on a large-scale CheXpert-style dataset, the framework achieves state-of-the-art macro-average AUROC scores of 0.9319 for frontal and 0.9154 for lateral radiographs. Furthermore, comprehensive explainability analysis using seven post-hoc attribution techniques demonstrates strong anatomical consistency and clinically meaningful decision localization. By integrating architectural diversity, multi-scale attention, hierarchical meta-learning, and rigorous explainability, the proposed framework provides a transparent, highly accurate, and clinically practical computer-aided diagnosis system for thoracic disease classification.
Abstract（参考訳）: 胸部X線自動分類は, 集団不均衡, 同時発生の病態, 従来の建築における局所的特徴の喪失などにより, 依然として困難である。そこで本稿では,14の胸部病理の堅牢な分類のための階層型多視点アンサンブルフレームワークを提案する。このフレームワークは、5つの相補的畳み込みニューラルネットワークのアンサンブルを使用して、正面および側面のX線写真を独立にモデル化することによって、ビュー固有のトレーニングを採用する。 CBAM(Convolutional Block Attention Modules)によって強化されたマルチスケール機能融合戦略であるグローバル平均プールの置き換えにより,高レベルな病理特異的セマンティックな特徴を強調しつつ,詳細な中間表現が保存される。正負の不均衡とクラス間の難易度を緩和するために、モデルが非対称損失と適応的焦点損失を組み合わせた新しいハイブリッド目標を用いて最適化される。単純な確率平均化以外にも、テスト時間拡張(TTA)予測とクロスモデル不確実性対策をレベル1勾配ブースティングメタラーナ(XGBoost、LightGBM、CatBoost)に統合した階層的メタラーニング戦略と、最適化されたアルファブレンディングによるレベル2スタックリングが組み込まれている。このフレームワークは大規模なCheXpertスタイルのデータセットに基づいて評価され、最先端のマクロ平均AUROCスコアは前部が0.9319、横部が0.9154である。さらに,7つのポストホック属性法による包括的説明可能性分析は,強い解剖学的整合性と臨床的に有意な決定定位を示す。アーキテクチャの多様性,マルチスケールの注意,階層的メタラーニング,厳密な説明性を統合することで,胸部疾患分類のための透過的,高精度,臨床的に有効なコンピュータ支援診断システムを提供する。

関連論文リスト

Bridging Vision Foundation Model Priors with CLIP for Spatial-aware Few-shot Anomaly Detection in Medical Images [48.646448077284276]
本研究では,数発の医用異常検出を効果的に行うためのフレームワークであるSpatial-FADを提案する。 VFM空間先行とCLIPセマンティクスを組み合わせることで病変の局在を改善する。本手法は,Diceスコアが11.4%,AUCが1.8%以上の平均改善を実現している。
論文参考訳（メタデータ） (2026-09-11T05:21:01Z)
Dementia Etiology Diagnosis via Collaborative Meta Knowledge Enhancement [81.27196033392559]
認知症発症診断のための協調的メタ知識向上(COME)フレームワークを提案する。 COMEは、マルチセンタ取得セマンティクス、ソース識別子、モダリティインジケータを異種性を認識した埋め込みとして、スケールアップトレーニングのためにTransformerアーキテクチャに注入する。本手法は,平均マクロ平均AUCが85.62%,最強ベースラインが4.29ポイント向上し,最先端のドメイン性能を実現する。
論文参考訳（メタデータ） (2026-07-24T04:26:47Z)
MSA-DCNN: A Data-Efficient Multi-Scale Deformable CNN for Medical Image Classification [1.6566053195631467]
既存のディープラーニング手法は、固定サンプリングとデータハングリートレーニングにより、マルチスケールのモルフォロジーと限定アノテーションに苦しむ。 MSA-DCNNは、適応型マルチスケールサンプリング、大規模サリエンシ改善、学習用クロススケール融合、および統合最適化スキーム内での補助自己蒸留を導入する、スケール一貫性のある変形型アテンション学習フレームワークである。
論文参考訳（メタデータ） (2026-07-07T09:52:46Z)
Multi-View Synergistic Learning with Vision-Language Adaption for Low-Resource Biomedical Image Classification [59.24009931000134]
MVSL(Multi-View Synergistic Learning)は、適応パラダイム、表現の粒度、疾患の意味的関係に対処する統合フレームワークである。 MVSLは、視覚的およびテキスト的エンコーダの適応を分離し、それぞれの表現特性を尊重する。さらに、グローバルなイメージセマンティクスと局所的な病変レベルの証拠の両方を明示的にモデル化するために、多粒性コントラスト学習を導入する。 MVSLは、いくつかのショットとゼロショットの分類設定において、最先端のメソッドを一貫して上回る。
論文参考訳（メタデータ） (2026-04-27T02:41:27Z)
A Systematic Benchmark of GAN Architectures for MRI-to-CT Synthesis [38.31064949197421]
MRIからCTへの変換にはGANアーキテクチャが提案されている。我々は,3つの解剖学的領域にわたるSynthRAD2025データセットを用いて評価した10のGANのベンチマークを示す。
論文参考訳（メタデータ） (2026-03-13T18:54:20Z)
Class Visualizations and Activation Atlases for Enhancing Interpretability in Deep Learning-Based Computational Pathology [1.5921492981295717]
トランスフォーマーベース基礎モデルを用いて, クラスビジュアライゼーション (CV) とアクティベーションアトラス (AA) を評価した。 CVは形態学的に異なる組織に対する認識性を保ったが,重複癌サブクラスに対する分離性は低下した。組織レベルの粗い概念がコヒーレントな領域を形成したのに対し、より微細なサブクラスは分散と重複を示した。
論文参考訳（メタデータ） (2026-03-07T12:23:10Z)
CLEAR-Mamba:Towards Accurate, Adaptive and Trustworthy Multi-Sequence Ophthalmic Angiography Classification [18.95392587947337]
医用画像分類はコンピュータ支援診断(CAD)のコアタスクである眼科領域ではFlurecein fundus angiography (FFA) とIndocyanine green angiography (ICGA) が血行動態および病変・構造情報を提供する。我々は,MedMamba上に構築された拡張フレームワークであるCLEAR-Mambaを提案する。
論文参考訳（メタデータ） (2026-01-28T13:40:10Z)
A Semantically Enhanced Generative Foundation Model Improves Pathological Image Synthesis [82.01597026329158]
本稿では,組織合成のための相関調整フレームワーク(CRAFTS)について紹介する。 CRAFTSは、生物学的精度を確保するためにセマンティックドリフトを抑制する新しいアライメント機構を組み込んでいる。本モデルは,30種類の癌にまたがる多彩な病理像を生成する。
論文参考訳（メタデータ） (2025-12-15T10:22:43Z)
scMRDR: A scalable and flexible framework for unpaired single-cell multi-omics data integration [53.683726781791385]
単一セルマルチオミクス(ScMRDR)と呼ばれるスケーラブルでフレキシブルな生成フレームワークを導入する。本手法は, バッチ補正, モダリティアライメント, 生体信号保存の観点から, ベンチマークデータセット上での優れた性能を実現する。
論文参考訳（メタデータ） (2025-10-28T21:28:39Z)
Enhanced SegNet with Integrated Grad-CAM for Interpretable Retinal Layer Segmentation in OCT Images [0.0]
そこで本研究では,SegNetによる網膜層分割の自動化と解釈のためのディープラーニングフレームワークを提案する。改良されたプール戦略を含むアーキテクチャ上の革新は、ノイズの多いOCT画像からの特徴抽出を強化する。 Grad-CAMの可視化では、解剖学的に関連のある領域が強調され、セグメンテーションと臨床バイオマーカーが一致した。
論文参考訳（メタデータ） (2025-09-09T14:31:51Z)
ConvNeXt with Histopathology-Specific Augmentations for Mitotic Figure Classification [1.398256265458105]
ドメインカバレッジを最大化する軽量なConvNeXtアーキテクチャに基づくソリューションを提案する。予備のリーダーボードでは,上位項目の順に0.8961のバランスの取れた精度を達成した。
論文参考訳（メタデータ） (2025-08-29T13:18:32Z)
Improving Classification Model Performance on Chest X-Rays through Lung Segmentation [63.45024974079371]
本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
論文参考訳（メタデータ） (2022-02-22T15:24:06Z)

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。