論文の概要: Parameter-efficient Prompt Tuning of Vision Foundation Model With Adaptive Focal Loss for Interpretable MCI Screening

• arxiv url: http://arxiv.org/abs/2607.15047v1
• Date: Thu, 16 Jul 2026 14:26:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-17 17:01:33.134604
• Title: Parameter-efficient Prompt Tuning of Vision Foundation Model With Adaptive Focal Loss for Interpretable MCI Screening
• Title（参考訳）: 解釈可能なMCIスクリーニングのための適応的な焦点損失を有する視覚基礎モデルのパラメータ効率向上プロンプトチューニング
• Abstract要約: 本稿では,3つのモダリティ固有の学習可能なプロンプトトークンによって適応された凍結DINOv2適応モデルを用いたパラメータ効率のよいフレームワークを提案する。 提案したアーキテクチャでは、MCI級F1が0.641、AUCが0.795となり、計算上より重いResViTベースラインのMCI級F1では0.110を上回った。
• 参考スコア（独自算出の注目度）: 1.0195618602298684
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Mild Cognitive Impairment is a critical early stage of cognitive decline that frequently precedes Alzheimer's disease, yet its automated detection from neuropsychological drawing tests remains fundamentally constrained by data scarcity, class imbalance, and diagnostic ambiguity near clinical boundaries. Existing methodologies attempt to bypass these constraints using computationally expensive, fully fine-tuned hybrid architectures that relegate spatial explainability to a post-hoc approximation rather than an intrinsic model property. We propose a parameter-efficient framework utilizing frozen DINOv2-Small model adapted via three modality-specific learnable prompt tokens while Operating with 1.19 million trainable parameters, each token serves as a query in a shared cross-attention layer over the source image patch tokens. Crucially, spatial explainability is achieved directly through these attention maps; as a structural consequence of the architecture. Then task-conditioned embeddings fused via an attention module to quantify modality-level importance per subject. To handle boundary ambiguity, a MoCA-adapted focal loss introduced that integrates continuous cognitive scores into the training target, loss modulation, and adaptive sample weighting, strictly generalizing standard soft-label approaches. Under stratified five-fold cross-validation, the proposed architecture yields an MCI-class F1 of 0.641 and an AUC of 0.795, outperforming the computationally heavier ResViT baseline by 0.110 in MCI-class F1.
• Abstract（参考訳）: 軽度認知障害は、アルツハイマー病に先行する認知機能低下の重要な初期段階であるが、神経心理学的描画テストからの自動検出は、データ不足、クラス不均衡、臨床境界付近での診断の曖昧さによって、基本的に制限されている。 既存の手法は、計算コストが高く、完全に微調整されたハイブリッドアーキテクチャを使ってこれらの制約を回避しようとするが、これは本質的なモデルの性質ではなく、空間的説明性をポストホック近似に還元するものである。 本稿では,3つのモダリティ固有の学習可能なプロンプトトークンを用いた凍結DINOv2-Smallモデルを用いたパラメータ効率フレームワークを提案する。 重要なことは、空間的説明可能性はこれらの注意マップを通して直接達成され、アーキテクチャの構造的な結果である。 次に、タスク条件付き埋め込みが注目モジュールを介して融合し、被験者ごとのモダリティレベルの重要性を定量化する。 境界の曖昧さに対処するために、トレーニング対象、損失変調、適応サンプル重み付けに連続的な認知スコアを統合するMoCA適応焦点損失を導入し、標準ソフトラベルアプローチを厳密に一般化した。 MCI級F1は0.641、AUCは0.795であり、計算上より重いResViTベースラインは0.110倍である。

関連論文リスト

• X-LMC: Cross-View Spatiotemporal Collateral Circulation Scoring from DSA [0.0]
  我々は,時間分解型DSA複葉機からの自動コラテラルスコアリングを行うフレームワークであるX-LMCを紹介する。 5倍のクロスバリデーション設定では、X-LMCは静的アーキテクチャや関連する血管造影タスクから適応した時間的ベースラインよりも高い点推定値が得られる。 X-LMC は、観測された臨床間合意とも一致している。
  論文  参考訳（メタデータ） (2026-08-19T14:51:45Z)
• Re-thinking Mammography Transfer Learning: The Dataset-Informed Transfer Learning (DITL) Framework for Breast Cancer Screening and Lesion Diagnosis [3.616534682321388]
  本稿では,データセット由来の難易度信号と近隣3重項監視を統合したデータセットインフォームド・トランスファー学習フレームワークを提案する。 DITLは、全乳房密度分類における最先端のパフォーマンスを達成し、精度、F1スコア、AUCを大きく改善した。 大規模な密度推定で小さな病変解析をブリッジすることにより、DITLは臨床的に関連性があり、スケーラブルで、一般化可能なマンモグラフィ分類の枠組みを確立する。
  論文  参考訳（メタデータ） (2026-07-28T17:52:36Z)
• Beyond the Aggregation Dilemma: Prior-Retaining Decoupled Learning for Multimodal Graphs [69.56407708794845]
  MultimodalAttributed Graph Learning (MAGL)はグラフアグリゲーションを通じてノード属性と構造トポロジーを統合する。 事前訓練されたエンコーダがLarge Foundation Models (LFM) へと進化するにつれて、MAGLのランドスケープは根本的に変化していく。 高信頼のLFM先行の下では、強制集約は、識別シグナルを圧倒するトポロジカル固有のノイズを導入する。 本稿では、分離されたデュアルパスパラダイムであるSUPRA(Shared-Unique Prior-Retaining Architecture)を提案する。 SUPRAは、トポロジ・アグノシクスによるモーダリティ特異的な特徴を処理し、軽量共有GNNを介して構造相乗効果を捉え、補助的な深層監視対策の勾配飢餓を発生させる。
  論文  参考訳（メタデータ） (2026-05-23T17:42:25Z)
• Suppressing Prior-Comparison Hallucinations in Radiology Report Generation via Semantically Decoupled Latent Steering [94.37535002230504]
  本研究では,Semantically Decoupled Latent Steeringと呼ばれる学習自由な推論時間制御フレームワークを開発した。 提案手法は,大言語モデル (LLM) による意味分解による意味のない介入ベクトルを構築する。 本手法は歴史的幻覚の可能性を著しく低下させることを示す。
  論文  参考訳（メタデータ） (2026-02-27T04:49:01Z)
• Using Unsupervised Domain Adaptation Semantic Segmentation for Pulmonary Embolism Detection in Computed Tomography Pulmonary Angiogram (CTPA) Images [0.0]
  非教師なしドメイン適応(UDA)フレームワークはTransformerのバックボーンとMean-Teacherアーキテクチャを使って、センター間のセマンティックセマンティックセグメンテーションを実現する。 主な焦点は、特徴空間内の深い構造情報を学習することで、擬似ラベルの信頼性を高めることである。 クロスセンタデータセット(FUMPEとCAD-PE)で実施した実験的検証は、大幅な性能向上を示す。
  論文  参考訳（メタデータ） (2026-02-23T14:33:24Z)
• Representation-Aware Unlearning via Activation Signatures: From Suppression to Knowledge-Signature Erasure [2.0017902634527194]
  本稿では,真の消去と難読化を区別する表現対応アーキテクチャであるKnowledge Immunization Framework(KIF)を紹介する。 提案手法は,主観的表現の動的抑制とパラメータ効率の適応を組み合わせ,完全モデル再学習を伴わない耐久性のある未学習を実現する。
  論文  参考訳（メタデータ） (2026-01-15T16:28:14Z)
• 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)
• PI-NAIM: Path-Integrated Neural Adaptive Imputation Model [0.0]
  本稿では,新しい二重パスアーキテクチャであるPI-NAIMを提案する。 1)低損失サンプルを効率的な統計計算(MICE)と複雑なパターンに誘導するインテリジェントパスルーティングを、時間的分析を伴う強力なニューラルネットワーク(GAIN)に統合する。 MIMIC-IIIとマルチモーダルベンチマークの実験では、最先端の性能を示し、RMSEは0.108、下流タスクは0.812のAUROCで大幅に向上した。
  論文  参考訳（メタデータ） (2025-11-14T22:38:40Z)
• Hierarchical Self-Supervised Representation Learning for Depression Detection from Speech [51.14752758616364]
  音声による抑うつ検出 (SDD) は、従来の臨床評価に代わる有望で非侵襲的な代替手段である。 HAREN-CTCは,マルチタスク学習フレームワーク内でのクロスアテンションを用いて,多層SSL機能を統合した新しいアーキテクチャである。 このモデルはDAIC-WOZで0.81、MODMAで0.82の最先端マクロF1スコアを達成し、両方の評価シナリオで先行手法より優れている。
  論文  参考訳（メタデータ） (2025-10-05T09:32:12Z)
• Consistency Trajectory Models: Learning Probability Flow ODE Trajectory of Diffusion [56.38386580040991]
  Consistency Trajectory Model (CTM) は Consistency Models (CM) の一般化である CTMは、対戦訓練とスコアマッチング損失を効果的に組み合わせることで、パフォーマンスを向上させる。 CMとは異なり、CTMのスコア関数へのアクセスは、確立された制御可能/条件生成メソッドの採用を合理化することができる。
  論文  参考訳（メタデータ） (2023-10-01T05:07:17Z)
• Fuzzy Attention Neural Network to Tackle Discontinuity in Airway Segmentation [67.19443246236048]
  気道セグメンテーションは肺疾患の検査、診断、予後に重要である。 いくつかの小型の気道支線(気管支や終端など)は自動セグメンテーションの難しさを著しく増す。 本稿では,新しいファジィアテンションニューラルネットワークと包括的損失関数を備える,気道セグメンテーションの効率的な手法を提案する。
  論文  参考訳（メタデータ） (2022-09-05T16:38:13Z)

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。