論文の概要: From ML Predictions to Informed Diagnostic Assistance Using the Toulmin Model of Argumentation
- arxiv url: http://arxiv.org/abs/2607.09664v1
- Date: Fri, 01 May 2026 06:58:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-27 00:46:12.989144
- Title: From ML Predictions to Informed Diagnostic Assistance Using the Toulmin Model of Argumentation
- Title（参考訳）: Toulmin Model of Argumentation を用いたML予測からインフォームド診断支援へ
- Abstract要約: 画像に基づく診断は、議論のトゥールミンモデルに従って成分に分解する。
網膜診断のための機械学習(ML)モデルによって生成されたクレームを考えてみましょう。
- 参考スコア（独自算出の注目度）: 0.8594140167290097
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: To provide a structured and interpretable assessment, we decompose the image-based diagnosis into components following the Toulmin model of argumentation. This model consists of a claim, grounds, warrant, qualifier, rebuttal, and backing. Consider a claim generated by a machine learning (ML) model for retinal diagnosis. Rather than accepting this claim at face value, one could either apply explainable AI (XAI) methods or adopt an argumentation-based approach. In our framework, a model specialized in biomarker extraction from images provides the grounds. The warrant-linking the grounds to the claim - is analyzed by an agent equipped with medical knowledge; in our architecture, this role is fulfilled by a MedGemma agent. The qualifier is determined based on the overall quantitative evaluation of both the warrant and grounds models. Finally, a rebuttal is constructed using image similarity measures computed with MedSigLip. All these components are presented to the human expert, enabling a more informed and critical assessment of the ML-generated diagnosis.
- Abstract（参考訳）: 画像に基づく画像診断を、議論のトゥールミンモデルに従ってコンポーネントに分解し、構造化し、解釈可能な評価を行う。
このモデルは、クレーム、グラウンド、令状、資格、反論、裏づけからなる。
網膜診断のための機械学習(ML)モデルによって生成されたクレームを考えてみましょう。
この主張をフェイスバリューで受け入れるのではなく、説明可能なAI(XAI)メソッドを適用するか、あるいは議論ベースのアプローチを採用することができる。
本フレームワークでは,バイオマーカーを画像から抽出する手法を提案する。
クレームをクレームにリンクする令状は、医療知識を備えたエージェントによって分析され、私たちのアーキテクチャでは、この役割はMedGemmaエージェントによって達成されます。
予選は、令状モデルとグラウンドモデルの両方の総合的な定量的評価に基づいて決定される。
最後に、MedSigLipで計算された画像類似度測定を用いて、Rebuttalを構築する。
これらのコンポーネントはすべて、人間の専門家に提示され、ML生成診断のより情報的かつ批判的な評価を可能にします。
関連論文リスト
- Concept-Grounded Reasoning with Prompt-Driven Localization for Interpretable Structured Report Generation [66.62662330558906]
CORALは、空間的接地と概念レベルの監督を統一的な推論プロセスに統合するマルチモーダルフレームワークである。
コーラルは、疾患の局所化とコンセプション・ボトルネックモジュールによる多クラス臨床属性の予測のために、プロンプト駆動型医療セグメンテーションモデルを採用している。
BUS-CoTとIU X線データセットの実験では、診断精度、概念整合性、報告品質が強力な汎用および医療MLLMよりも一貫した改善が示されている。
論文 参考訳（メタデータ） (2026-09-14T10:21:23Z) - 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) - AMIF: Authorizable Medical Image Fusion Model with Built-in Authentication [61.10547481840624]
強力なマルチモーダル画像融合モデルは、高品質で臨床的に代表されるマルチモーダルトレーニングデータに依存している。
現在の画像融合モデルは、知的財産権を保護するための機構を組み込まずに融合出力を生成する。
組込み認証を用いた最初の認可可能な医用画像融合モデルであるAMIFを提案する。
論文 参考訳（メタデータ） (2026-03-25T13:34:22Z) - Structure-constrained Language-informed Diffusion Model for Unpaired Low-dose Computed Tomography Angiography Reconstruction [72.80209358480424]
ヨウ素化コントラスト培地(ICM)の過剰摂取は、腎臓の損傷と致命的なアレルギー反応を引き起こす。
深層学習法は、低線量ICMから正常線量ICMのCT画像を生成することができ、必要な線量を減らすことができる。
本研究では,構造シナジーと空間知性を統合した構造制約型言語情報拡散モデル(SLDM)を提案する。
論文 参考訳（メタデータ） (2026-01-28T06:54:06Z) - FunnyNodules: A Customizable Medical Dataset Tailored for Evaluating Explainable AI [0.5249805590164902]
我々はFunnyNodulesを紹介した。FunnyNodulesは、医療AIモデルにおける属性に基づく推論の分析のための、完全にパラメータ化された合成データセットである。
データセットは、ラウンドネス、マージンシャープネス、スポーテーションなどの制御可能な視覚特性を有する肺結節状形状を生成する。
本研究では,FunnyNodulesをモデルに依存しない評価に利用して,モデルが属性-ターゲット関係を正しく学習するかどうかを評価する。
論文 参考訳（メタデータ） (2025-11-19T14:37:49Z) - Semantic Visual Anomaly Detection and Reasoning in AI-Generated Images [96.43608872116347]
AnomReasonは4倍のtextbfAnomAgentのような構造化アノテーションを備えた大規模ベンチマーク
AnomReasonとAnomAgentは、AI生成画像の意味的妥当性の測定と改善の基盤となっている。
論文 参考訳（メタデータ） (2025-10-11T14:09:24Z) - ForenX: Towards Explainable AI-Generated Image Detection with Multimodal Large Language Models [82.04858317800097]
ForenXは画像の真正性を識別するだけでなく、人間の思考に共鳴する説明を提供する新しい手法である。
ForenXは、強力なマルチモーダル大言語モデル(MLLM)を使用して、法医学的な手がかりを分析し、解釈する。
本稿では,AI生成画像における偽証拠の記述専用のデータセットであるForgReasonを紹介する。
論文 参考訳（メタデータ） (2025-08-02T15:21:26Z) - AURA: A Multi-Modal Medical Agent for Understanding, Reasoning & Annotation [0.8397730500554048]
AURAは、医用画像の包括的分析、説明、評価のために特別に設計された最初の視覚的言語説明性エージェントである。
AURAは、より透明性があり、適応可能で、臨床的に整合したAIシステムに向けた大きな進歩を示している。
論文 参考訳（メタデータ） (2025-07-22T18:24:18Z) - MiMICRI: Towards Domain-centered Counterfactual Explanations of Cardiovascular Image Classification Models [11.998309673666167]
MiMICRIは、ユーザーが形態的構造に対応する医療画像のセグメントをインタラクティブに選択、置換するのに役立つ。
生成したカウンターファクトから,各セグメントがモデル予測に与える影響を評価することができる。
私たちはこの図書館を2人の医療専門家と評価した。
論文 参考訳（メタデータ） (2024-04-24T20:04:55Z) - Uncertainty Estimation and Out-of-Distribution Detection for Deep
Learning-Based Image Reconstruction using the Local Lipschitz [9.143327181265976]
画像再構成を含む逆問題の解法として,深層学習に基づく手法が提案されている。
診断のために、与えられた入力がトレーニングデータ分布に該当するかどうかを評価することが不可欠である。
分布外画像と分布内画像とを99.94%の曲線下領域で識別するための局所リプシッツ計量に基づく手法を提案する。
論文 参考訳（メタデータ） (2023-05-12T17:17:01Z) - Informing clinical assessment by contextualizing post-hoc explanations
of risk prediction models in type-2 diabetes [50.8044927215346]
本研究は, 合併症リスク予測のシナリオを考察し, 患者の臨床状態に関する文脈に焦点を当てる。
我々は、リスク予測モデル推論に関する文脈を提示し、その受容性を評価するために、最先端のLLMをいくつか採用する。
本論文は,実世界における臨床症例における文脈説明の有効性と有用性を明らかにする最初のエンドツーエンド分析の1つである。
論文 参考訳（メタデータ） (2023-02-11T18:07:11Z) - Learn-Explain-Reinforce: Counterfactual Reasoning and Its Guidance to
Reinforce an Alzheimer's Disease Diagnosis Model [1.6287500717172143]
本稿では、診断モデル学習、視覚的説明生成、訓練された診断モデル強化を統一する新しいフレームワークを提案する。
視覚的説明のために,対象ラベルとして識別される入力サンプルを変換する反ファクトマップを生成する。
論文 参考訳（メタデータ） (2021-08-21T07:29:13Z) - Deep Co-Attention Network for Multi-View Subspace Learning [73.3450258002607]
マルチビューサブスペース学習のための深層コアテンションネットワークを提案する。
共通情報と相補情報の両方を敵意で抽出することを目的としている。
特に、新しいクロス再構成損失を使用し、ラベル情報を利用して潜在表現の構築を誘導する。
論文 参考訳（メタデータ） (2021-02-15T18:46:44Z)
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。