論文の概要: GlaKG: A Biomarker-Centric Fundus Knowledge Graph for Explainable Glaucoma Diagnosis and Risk Assessment

• arxiv url: http://arxiv.org/abs/2607.04673v1
• Date: Mon, 06 Jul 2026 04:56:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 22:26:30.041738
• Title: GlaKG: A Biomarker-Centric Fundus Knowledge Graph for Explainable Glaucoma Diagnosis and Risk Assessment
• Title（参考訳）: GlaKG: 説明可能な緑内障診断とリスクアセスメントのためのバイオマーカー中心の知識グラフ
• Abstract要約: 緑内障診断とリスク階層化のためのバイオマーカー中心の基礎知識グラフであるGlaKGについて述べる。 あらゆる予測には、バイオマーカーの証拠を活性化された臨床規則に結びつける明確な推論連鎖が伴う。 GlaKG は二型緑内障分類では F1 = 0.9953 、四級リスク層化では 0.922 重み付き F1 の精度 0.930 に達する。
• 参考スコア（独自算出の注目度）: 17.43192330071824
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Glaucoma is a leading cause of irreversible blindness worldwide, yet most automated diagnosis systems rely on opaque deep-learning models that offer little clinical interpretability. We present GlaKG, a biomarker-centric fundus knowledge graph that integrates structural biomarkers, clinically grounded rules, and image features to produce traceable reasoning for glaucoma diagnosis and risk stratification. GlaKG encodes six entity types (Fundus Image, Optic Disc, Neural Rim, Pathology, Diagnosis, Risk Level), eight relation types, and 11 clinically validated rules into a unified graph, so that every prediction is accompanied by an explicit reasoning chain linking biomarker evidence to activated clinical rules. To keep knowledge-based reasoning strictly separate from label information, we adopt a post-processing fusion framework that combines ResNet50 image embeddings with a normalized KG reasoning-chain score via a tunable weight alpha, with all fitting confined to the training split. On a publicly available, AI-annotated fundus dataset, GlaKG reaches F1 = 0.9953 for binary glaucoma classification and 0.930 accuracy with 0.922 weighted F1 for four-class risk stratification; we report openly that the dataset's biomarker annotations are highly label-correlated, and therefore frame these figures as an upper bound attainable with clean structured biomarkers rather than as leakage-free image-only performance. Feature-importance analysis shows KG-derived and biomarker features contributing near-equally (51.1% vs. 48.9%), and the reasoning chain flags borderline cases by exposing low chain scores rather than failing silently. GlaKG's central contribution is therefore a clinically auditable reasoning framework that complements raw predictive performance by explicitly exposing the biomarker evidence and rule activations behind each decision.
• Abstract（参考訳）: 緑内障は世界中で不可逆的な失明の原因となっているが、ほとんどの自動診断システムは、臨床的にはほとんど解釈できない不透明なディープラーニングモデルに依存している。 バイオマーカー中心の基盤知識グラフであるGlaKGについて述べる。GlaKGは構造的バイオマーカー、臨床的根拠を持つルール、画像特徴を統合して、緑内障の診断とリスク階層化のためのトレース可能な推論を生成する。 GlaKGは、6つのエンティティタイプ(Fundus Image, Optic Disc, Neural Rim, Pathology, Diagnosis, Risk Level)、8つの関係タイプ、11の臨床的に検証されたルールを統一されたグラフにエンコードしている。 ラベル情報から知識に基づく推論を厳密に分離するために,ResNet50イメージ埋め込みと正規化KG推論チェーンスコアを調整可能なウェイトアルファを用いて組み合わせた後処理融合フレームワークを採用し,トレーニング分割に限定した。 一般に公開されているAIアノテート・ファンドス・データセットにおいて、GlaKGは二値緑内障分類ではF1 = 0.9953、四値リスク階層化では0.922の重み付きF1で0.930の精度に達する。 特徴重要度分析は、KG由来およびバイオマーカーの特徴がほぼ等しい(51.1% vs. 48.9%)ことを示し、推論連鎖は、無声で失敗するよりも、低い連鎖スコアを露出することによって境界線のケースを識別する。 したがって、GlaKGの中心的な貢献は、生の予測性能を補完する臨床的に監査可能な推論フレームワークであり、それぞれの決定の背後にあるバイオマーカーのエビデンスとルールアクティベーションを明示的に露呈する。

関連論文リスト

• HSQ-VLM: A Novel Spatially-Constrained Quadrant Segmentation VLM Model for Explainability in Diabetic Retinopathy [0.0]
  本稿では,基礎画像上の新しい分節分割パイプラインであるHSQ-VLMを提案する。 任意のイメージパーティショニングに依存する従来の方法とは異なり、パイプラインは4つのクアドラントなトポロジカルレイトパーティショニングを実装しています。 これによりビジョン・ランゲージ・モデル(Vision-Language Model)は、病理を解剖学的精度で定量化する自然言語レポートを生成することができる。
  論文  参考訳（メタデータ） (2026-06-11T19:02:02Z)
• MARVEL: Universal Murray's Law-informed Vessel Tree Segmentation and Topology Estimation [75.40785674602147]
  血管セグメンテーションのための深層学習法は、しばしば生物物理学的な制約を無視している。 これは生理的に不確実な分岐と誤分類の血管木につながる。 バイオ物理の先駆体を血管樹抽出に組み込んだ背骨非依存フレームワークMARVELについて紹介する。
  論文  参考訳（メタデータ） (2026-05-25T02:32:29Z)
• A Data-Centric Framework for Intraoperative Fluorescence Lifetime Imaging for Glioma Surgical Guidance [2.1626027566082127]
  本稿では、信頼性学習(CL)、クラス改良、ターゲットラベル評価を統合したデータ中心型AI(DC-AI)フレームワークを提案する。 CLはFLIm点レベルの信頼度を定量化し,ラベルの不整合を同定し,反復型クラスを3種類のスキームにマージする。 その結果得られた高忠実度データセットは、3クラスタスクで96%の精度を達成したモデルのトレーニングを可能にした。
  論文  参考訳（メタデータ） (2026-04-28T22:12:15Z)
• 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)
• MIRNet: Integrating Constrained Graph-Based Reasoning with Pre-training for Diagnostic Medical Imaging [67.74482877175797]
  MIRNetは、自己教師付き事前学習と制約付きグラフベースの推論を統合する新しいフレームワークである。 TongueAtlas-4Kは,22の診断ラベルを付した4,000枚の画像からなるベンチマークである。
  論文  参考訳（メタデータ） (2025-11-13T06:30:41Z)
• GlaBoost: A multimodal Structured Framework for Glaucoma Risk Stratification [4.570357976534648]
  GlaBoostは、構造化された臨床特徴、基礎画像の埋め込み、緑内障のリスク予測のための専門家によるテキスト記述を統合している。 実際のアノテートデータセットで実施された実験は、GlaBoostがベースラインモデルを大幅に上回っていることを示している。
  論文  参考訳（メタデータ） (2025-08-03T22:02:42Z)
• Learning to diagnose cirrhosis from radiological and histological labels with joint self and weakly-supervised pretraining strategies [62.840338941861134]
  そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。 我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。 この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
  論文  参考訳（メタデータ） (2023-02-16T17:06:23Z)
• Discriminative Kernel Convolution Network for Multi-Label Ophthalmic Disease Detection on Imbalanced Fundus Image Dataset [13.687617973585983]
  緑内障、糖尿病網膜症、白内障などの眼疾患が世界中の視覚障害の主な原因である。 本研究は,識別的カーネル畳み込みネットワーク (DKCNet) を提案する。 また、全く見えない眼底像にも良い効果が認められる。
  論文  参考訳（メタデータ） (2022-07-16T12:03:27Z)
• 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)
• Assessing glaucoma in retinal fundus photographs using Deep Feature Consistent Variational Autoencoders [63.391402501241195]
  緑内障は症状が重くなるまで無症状のままでいるため、検出が困難である。 緑内障の早期診断は機能的,構造的,臨床的評価に基づいて行われることが多い。 ディープラーニング手法はこのジレンマを、マーカー識別段階をバイパスし、ハイレベルな情報を分析してデータを分類することで部分的に解決している。
  論文  参考訳（メタデータ） (2021-10-04T16:06:49Z)
• Clinically Verified Hybrid Deep Learning System for Retinal Ganglion Cells Aware Grading of Glaucomatous Progression [10.491291541765342]
  緑内障は世界第2位の盲目の原因である。 本稿では, 緑内障の診断と重症度評価のためのRCC萎縮症に対する新たな戦略を提案する。
  論文  参考訳（メタデータ） (2020-10-08T10:01:48Z)

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。