論文の概要: KOAL: Knowledge-Driven Prostate Cancer Grading with Ordinal-Aware Learning

• arxiv url: http://arxiv.org/abs/2607.06019v1
• Date: Tue, 07 Jul 2026 09:01:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-08 21:24:51.462146
• Title: KOAL: Knowledge-Driven Prostate Cancer Grading with Ordinal-Aware Learning
• Title（参考訳）: KOAL: 正規学習による知識駆動型前立腺がんグレーディング
• Abstract要約: 既存のGGG予測手法には2つの大きな制限がある。 彼らはしばしば、GGG予測に不可欠な非画像情報を見落とします。 本稿では,知識駆動型規則認識学習フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 10.59219550951091
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Non-invasive prediction of Gleason Grade Group (GGG) in prostate cancer using multiparametric MRI (mpMRI) is clinically vital for reducing unnecessary biopsies. Existing GGG prediction methods face two major limitations. First, they often overlook non-image information critical for GGG prediction, including age, prostate-specific antigen (PSA), and expert priors embedded in radiology reports. Second, they tend to oversimplify GGG as flat categorical labels, failing to account for its intrinsic hierarchy of primary and secondary Gleason patterns. To this end, we propose a novel Knowledge-Driven Ordinal-Aware Learning (KOAL) framework with three synergistic modules. Specifically, the Clinical-Context Modulation (CCM) module uses clinical variables (e.g., age and PSA) to dynamically modulate discriminative image representations. The Knowledge-Guided Prototype Alignment (KGPA) module leverages an LLM to extract group-specific expert knowledge from training radiology reports and clinical guidelines, producing offline semantic anchors describing grade-specific radiological findings without requiring patient-specific reports at inference. Through prototype contrastive alignment, patient-specific mpMRI representations are matched with these anchors to promote pathology-aligned representation learning. The Hierarchical Ordinal-aware Constraints (HOC) module decouples primary and secondary Gleason pattern prediction and maps their probabilistic outputs to GGG via a Differentiable Bio-logic Mapping Layer (DBML), ensuring pathological grading consistency. Experiments on public PI-CAI and in-house datasets demonstrate that KOAL outperforms state-of-the-art methods. Code is available at: https://github.com/Gother-GZ/KOAL.
• Abstract（参考訳）: 前立腺癌におけるGleason Grade Group (GGG) の非侵襲的予測には,Multiparametric MRI (mpMRI) が有用である。 既存のGGG予測手法には2つの大きな制限がある。 まず、年齢、前立腺特異的抗原(PSA)、放射線医学のレポートに埋め込まれた専門家の事前情報など、GGG予測に不可欠な非画像情報を見落としることがよくあります。 第2に、GGGをフラットな分類ラベルとして単純化し、一次および二次グリーソンパターンの固有の階層を考慮しない傾向にある。 そこで本研究では,3つの相乗的モジュールを用いた知識駆動型規則認識学習(KOAL)フレームワークを提案する。 具体的には、臨床コンテキスト変調(CCM)モジュールは、臨床変数(例えば、年齢、PSA)を使用して、識別画像表現を動的に変調する。 Knowledge-Guided Prototype Alignment (KGPA)モジュールは、LLMを利用して、放射線医学のトレーニングレポートや臨床ガイドラインからグループ固有の専門知識を抽出し、患者固有の報告を推論時に必要とせずに、グレード固有の放射線学的発見を記述したオフラインセマンティックアンカーを生成する。 コントラストアライメントのプロトタイプを通じて、患者固有のmpMRI表現をこれらのアンカーとマッチングし、病理に整合した表現学習を促進する。 Hierarchical Ordinal-Aware Constraints (HOC) モジュールは一次および二次グリーソンパターンの予測を分離し、その確率的出力を微分可能な生体論理マッピング層 (DBML) を介してGGGにマッピングし、病理学的階調の整合性を確保する。 パブリックPI-CAIと社内データセットの実験では、KOALが最先端の手法より優れていることが示されている。 コードは、https://github.com/Gother-GZ/KOAL.comで入手できる。

関連論文リスト

• 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)
• 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)
• Contrastive Integrated Gradients: A Feature Attribution-Based Method for Explaining Whole Slide Image Classification [16.637098984977055]
  計算病理学における全スライド画像(WSI)解析には解釈可能性が不可欠である。 本稿では,ロジット空間におけるコントラスト勾配の計算により,解釈可能性を高める新しい帰属法であるContrastive Integrated Gradients (CIG)を紹介する。
  論文  参考訳（メタデータ） (2025-11-11T17:07:32Z)
• Towards Explainable Skin Cancer Classification: A Dual-Network Attention Model with Lesion Segmentation and Clinical Metadata Fusion [1.503974529275767]
  本稿では,皮膚病変の分類を精度と解釈性の両方の観点から向上させる,二重エンコーダアテンションに基づくフレームワークを提案する。 Dual Attention Gates (DAG) と Atrous Space Pyramid Pooling (ASPP) を用いた新しいDeep-UNetアーキテクチャが最初に採用されている。 我々は,HAM10000データセットとISIC 2018と2019の課題に対するアプローチを評価した。
  論文  参考訳（メタデータ） (2025-10-20T17:33:51Z)
• Refine Medical Diagnosis Using Generation Augmented Retrieval and Clinical Practice Guidelines [16.56254046507092]
  GARMLE-Gは、医療用言語モデルの出力を権威的ガイドラインに根拠づけた、世代別検索フレームワークである。 従来のRetrieval-Augmented Generationベースのアプローチとは異なり、GARMLE-Gは権威的なガイドラインコンテンツを直接検索することで幻覚のない出力を可能にする。 高血圧診断のためのプロトタイプシステムを開発し, 検索精度, 意味的関連性, 臨床ガイドラインの適合性を実証した。
  論文  参考訳（メタデータ） (2025-06-22T11:31:13Z)
• Pathological Prior-Guided Multiple Instance Learning For Mitigating Catastrophic Forgetting in Breast Cancer Whole Slide Image Classification [50.899861205016265]
  乳癌のWSI分類における破滅的忘れを緩和する新しい枠組みであるPaGMILを提案する。 私たちのフレームワークでは、共通のMILモデルアーキテクチャに2つの重要なコンポーネントを導入しています。 複数の乳がんデータセットを対象としたPaGMILの連続学習性能の評価を行った。
  論文  参考訳（メタデータ） (2025-03-08T04:51:58Z)
• MedRAG: Enhancing Retrieval-augmented Generation with Knowledge Graph-Elicited Reasoning for Healthcare Copilot [47.77948063906033]
  Retrieval-augmented Generation (RAG)は、プライバシーに敏感な電子健康記録を検索するのに適した手法である。 本稿では,医療領域に対する知識グラフ(KG)により強化されたRAGモデルであるMedRAGを提案する。 MedRAGはより具体的な診断の洞察を提供し、誤診率の低減に最先端のモデルを上回っている。
  論文  参考訳（メタデータ） (2025-02-06T12:27:35Z)
• Dynamic Graph Enhanced Contrastive Learning for Chest X-ray Report Generation [92.73584302508907]
  コントラスト学習を用いた医療レポート作成を支援するために,動的構造とノードを持つ知識グラフを提案する。 詳しくは、グラフの基本構造は一般知識から事前構築される。 各イメージ機能は、レポート生成のためにデコーダモジュールに入力する前に、独自の更新グラフに統合される。
  論文  参考訳（メタデータ） (2023-03-18T03:53:43Z)
• 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)
• 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。