論文の概要: SGMCE: Segment-Grounded Morphological Concept Explanation for Malaria Parasite Species Identification in Thick Blood Smears

• arxiv url: http://arxiv.org/abs/2607.16324v1
• Date: Wed, 15 Jul 2026 12:12:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-21 18:48:37.112145
• Title: SGMCE: Segment-Grounded Morphological Concept Explanation for Malaria Parasite Species Identification in Thick Blood Smears
• Title（参考訳）: SGMCE : 厚膜血腫におけるマラリア原虫種同定のためのセグメンションを包含した形態学的概念記述法
• Abstract要約: 内因性領域におけるマラリアの診断は、厚い血液スミアにおけるプラスモジウム原虫の種レベルでの同定に依存する。 SGMCEは, 深層スミア形態に固定された検出毎の自然言語説明を生成する, ポストホックな説明フレームワークである。 説明は、知識ベース一貫性(KBC)、CV-Claim Faithfulness(CCF)、差別性スコア(DS)、LCM-as-Judge(LL)の4つの自動指標によって検証される。
• 参考スコア（独自算出の注目度）: 0.19116784879310025
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Malaria diagnosis in endemic regions depends on species-level identification of Plasmodium parasites in thick blood smears, but deep learning detectors classify detections without providing morphological evidence for their predictions, limiting the ability of microscopists to audit those predictions at the case level. We present SGMCE (Segment-Grounded Morphological Concept Explanation), a post-hoc explanation framework that requires no additional training, no morphological annotations, and no labelled explanation data, yet produces per-detection natural-language explanations anchored in thick-smear morphology. For each detection, SGMCE extracts mask-guided crop thumbnails, computes fourteen handcrafted computer-vision morphological features (shape, colour, chromatin, haemozoin pigment) using adaptive within-mask thresholds, and queries GPT-4o with both visual evidence and computed measurements, conditioned on a thick-smear-specific knowledge base compiled from the World Health Organization bench aids. The primary output is a structured explanation identifying which morphological features support the detected species and why the competing species are excluded. Explanations are validated by four automatic metrics: Knowledge-Base Consistency (KBC), CV-Claim Faithfulness (CCF), Discriminativeness Score (DS), and LLM-as-Judge (LLMj). A sentence-level semantic scoring rule with species-aware negation filtering resolves the vocabulary mismatch between clinical prose and knowledge-base terms. Across 737 detections from 139 thick-smear images spanning four Plasmodium species and white blood cells, parasite-class mean KBC is 0.91, mean DS is 0.99, and mean CCF is 0.97, while a per-rule CCF breakdown confirms that the CV-grounded claims made by the vision-language model are consistent with the measurements they cite.
• Abstract（参考訳）: 内因性領域におけるマラリアの診断は、厚い血液スミアにおけるプラスモジウム原虫の種レベルでの同定に依存するが、深層学習検出器は、その予測に関する形態的証拠を与えずに検出を分類し、マイクロスコピストがこれらの予測をケースレベルで監査する能力を制限する。 SGMCE(Segment-Grounded Morphological Concept Explanation, SGMCE)は, 余分なトレーニング, 形態的アノテーション, ラベル付き説明データを必要としないが, 深層スミア形態素に固定された検出毎の自然言語説明を生成する。 それぞれの検出のために、SGMCEはマスク誘導作物サムネイルを抽出し、適応的なマスク内しきい値を用いて14個の手作りコンピュータビジョン形態特徴(形状、色、クロマチン、ヘモゾイン色素)を計算し、GPT-4oに視覚的証拠と計算された測定値の両方を問い合わせる。 主な出力は、どの形態的特徴が検出された種をサポートするか、なぜ競合する種が除外されるのかを識別する構造的な説明である。 説明は、knowledge-Base Consistency (KBC), CV-Claim Faithfulness (CCF), Discriminativeness Score (DS), LLM-as-Judge (LLMj)の4つの自動メトリクスによって検証される。 種別否定フィルタリングを用いた文レベルのセマンティックスコアリングルールは、臨床の散文と知識ベースの用語の語彙ミスマッチを解消する。 プラズモジウム種4種と白血球にまたがる139枚の太いスミア画像から737点中、寄生虫類の平均KBCは0.91点、DSは0.99点、CCFは0.97点、CCFは1ルールあたりの確認で、ビジョン言語モデルによるCVグラウンドドクレームは彼らが引用した測定値と一致していることを確認した。

関連論文リスト

• Auditing Retrieval-Augmented LLM Hypotheses for Longitudinal Cell Painting Morphology [18.947145132707025]
  本稿では, 縦型セルペイント形態解析のための評価ファースト, 検索強化解釈フレームワークを提案する。 治療済みの形態制御デルタは、安定した証拠識別子を通じて、回収された摂動の隣人、経路コンテキスト、および文献証拠と組み合わせられる。 このフレームワークは、メタボリックリプログラミングを含む適応的表現型や低用量率でのプロテオスタティックストレスを含む、聴覚的で偽造可能な生物学的仮説を生成する。
  論文  参考訳（メタデータ） (2026-07-17T17:11:11Z)
• MalariAI: A Label-Resilient Decoupled Framework for Universal Cell Segmentation and Explainable Stage Classification in Dense Malaria Blood Smears [0.0]
  血液スミア顕微鏡によるマラリアの診断は、グローバルヘルスAIにとって重要な課題である。 3つの複合的障害モードは、既存のディープラーニングシステムの信頼性の高い臨床展開を防ぐ。 統一パイプラインにおける3つの障害モードすべてに対処する、2段階の分離フレームワークであるMarariAIを紹介します。
  論文  参考訳（メタデータ） (2026-07-01T03:27:04Z)
• Motif Diversity in Human Liver ChIP-seq Data Using MAP-Elites [45.88028371034407]
  MAP-Elitesアルゴリズムを用いて、位置重み行列のモチーフを、確率に基づくフィットネス目標の下で進化させる。 その結果,MAP-ElitesはMEMEの最強ソリューションに匹敵する適合性を有する複数の高品質なモチーフを復元することがわかった。
  論文  参考訳（メタデータ） (2026-01-25T11:57:54Z)
• Detecting Batch Heterogeneity via Likelihood Clustering [0.9668407688201359]
  バッチエフェクトはゲノム診断の主要な共同創設者である。 ベイジアンモデル証拠に従ってサンプルをクラスタリングすることで,両方の制約に対処する手法を提案する。 本手法は,標準相関法や次元縮小法と比較して,クラスタリング精度が優れている。
  論文  参考訳（メタデータ） (2026-01-14T01:49:21Z)
• A CNN-Based Malaria Diagnosis from Blood Cell Images with SHAP and LIME Explainability [0.0]
  マラリアは熱帯気候と亜熱帯気候の地域で広く健康上の問題となっている。 顕微鏡的血液スミア分析のような従来の診断法は感度が低く、専門家の判断に依存し、遠隔地では利用できないリソースを必要とする。 本研究では、独自の畳み込みニューラルネットワーク(CNN)を用いた深層学習による血液細胞画像の自動分類手法を提案する。
  論文  参考訳（メタデータ） (2025-12-21T14:55:25Z)
• Hide-and-Seek Attribution: Weakly Supervised Segmentation of Vertebral Metastases in CT [68.09387763135236]
  脊椎レベルの健康・悪性のラベルにのみ、病変マスクを伴わずに訓練を施した弱い指導方法を提案する。 マスクの監視がないにも関わらず,強い爆発・解析性能を達成する。
  論文  参考訳（メタデータ） (2025-12-07T14:03:28Z)
• Neural Cellular Automata for Lightweight, Robust and Explainable Classification of White Blood Cell Images [40.347953893940044]
  ニューラルセルオートマトン(NCA)を用いた白血球分類の新しいアプローチを提案する。 NCAに基づく手法はパラメータの面で著しく小さく,ドメインシフトに対する堅牢性を示す。 その結果,NAAは画像分類に利用でき,従来の手法の課題に対処できることがわかった。
  論文  参考訳（メタデータ） (2024-04-08T14:59:53Z)
• CIMIL-CRC: a clinically-informed multiple instance learning framework for patient-level colorectal cancer molecular subtypes classification from H\&E stained images [42.771819949806655]
  CIMIL-CRCは、事前学習した特徴抽出モデルと主成分分析(PCA)を効率よく組み合わせ、全てのパッチから情報を集約することで、MSI/MSS MIL問題を解決するフレームワークである。 我々は,TCGA-CRC-DXコホートを用いたモデル開発のための5倍のクロスバリデーション実験装置を用いて,曲線下平均面積(AUC)を用いてCIMIL-CRC法の評価を行った。
  論文  参考訳（メタデータ） (2024-01-29T12:56:11Z)
• Pathologist-Like Explanations Unveiled: an Explainable Deep Learning System for White Blood Cell Classification [1.516937009186805]
  HemaXは5つの属性を使って、病理学者のような説明を生成する、説明可能なディープニューラルネットワークベースのモデルである。 HemaXは、平均的な分類精度が81.08%、ジャカード指数が89.16%で、驚くべき結果が得られる。
  論文  参考訳（メタデータ） (2023-10-20T04:59:20Z)
• Deep learning-based Subtyping of Atypical and Normal Mitoses using a Hierarchical Anchor-Free Object Detector [0.802219018904343]
  非定型有糸分裂図形(MF)は、クロマトノイドの分離異常を有するものとして形態学的に同定できる。 この研究では、初めて、ミトティックな図形の正規および非典型的なカテゴリへの自動的なサブタイピングを行う。 我々は,階層型サブクラス化分岐を用いたアンカーフリーFCOSアプローチを拡張した最先端のオブジェクト検出パイプラインを構築した。
  論文  参考訳（メタデータ） (2022-12-12T13:57:38Z)
• Corneal endothelium assessment in specular microscopy images with Fuchs' dystrophy via deep regression of signed distance maps [48.498376125522114]
  本稿では,UNetをベースとしたセグメンテーション手法を提案する。 これは、フックスのジストロフィーの全度にわたって、信頼できるCE形態計測と腸骨同定を実現する。
  論文  参考訳（メタデータ） (2022-10-13T15:34:20Z)
• 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)

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。