論文の概要: What Makes Deep Learning Work for Traditional Chinese Medicine Tongue Diagnosis? A Comprehensive Ablation Study
- arxiv url: http://arxiv.org/abs/2607.28148v1
- Date: Thu, 30 Jul 2026 12:55:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-31 21:37:00.56985
- Title: What Makes Deep Learning Work for Traditional Chinese Medicine Tongue Diagnosis? A Comprehensive Ablation Study
- Title（参考訳）: 漢方医学における深層学習の課題 : 包括的アブレーション研究
- Abstract要約: TongueDx2(5,109イメージ,976専門家注釈付き)と11,101サンプルの統合データセットを用いて,20以上のモデルバージョンを対象とした系統的アブレーション調査を行った。
最高の976サンプルモデルでは、ConvNeXt-Tinyを用いて0.6625の重み付きF1を達成した。
ConvNeXt-Tinyは最適なパラメータ効率を提供し、BCEは非対称損失を大幅に上回る。
- 参考スコア（独自算出の注目度）: 6.004599301889361
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Deep learning has shown promise for automated tongue diagnosis in traditional Chinese medicine (TCM), yet the design space remains underexplored. We conducted a systematic ablation study spanning 20+ model versions under rigorous 5-fold cross-validation on TongueDx2 (5,109 images, 976 expert-annotated) and a merged dataset of 11,101 samples. We compared six backbone architectures, four loss functions, five augmentation strategies, and six training strategies. The best 976-sample model achieved weighted-F1 of 0.6625 using ConvNeXt-Tiny with restrained augmentation and weak-group ensemble, while the best 11,101-sample model reached weighted-F1 of 0.7761. Six key design principles emerged: (1) ConvNeXt-Tiny offers optimal parameter efficiency; (2) BCE substantially outperforms Asymmetric Loss (+2.7%); (3) restrained color augmentation is critical; (4) weak-group ensemble replacement (+2.1%) outperforms probability averaging; (5) data scaling yielded +20.6% improvement; (6) expanding from 13 to 45 label dimensions caused catastrophic collapse (0.78 to 0.22). These principles are generalizable to multi-label medical image classification with class imbalance.
- Abstract（参考訳）: 深層学習は、伝統的な中国医学(TCM)における舌の自動診断の可能性を示してきたが、デザイン空間は未探索のままである。
TongueDx2 (5,109イメージ, 976エキスパート注釈付き) と11,101サンプルの統合データセットを用いて, 厳密な5倍のクロスバリデーションにより20以上のモデルバージョンにまたがる系統的アブレーション実験を行った。
バックボーンアーキテクチャを6つ,ロス関数を4つ,拡張戦略を5つ,トレーニング戦略を6つ比較した。
最高の976サンプルモデルはConvNeXt-Tinyを用いて0.6625の重み付きF1を達成し、最も優れた11,101サンプルモデルは0.7761の重み付きF1に達した。
1) ConvNeXt-Tiny は最適なパラメータ効率を提供し、(2) BCE は非対称損失(+2.7%)を著しく上回り、(3) 色の抑制は重要であり、(4) 弱いグループアンサンブルの置換(+2.1%) は確率平均を上回り、(5) データのスケーリングは+20.6%改善し、(6) 13 から 45 のラベル次元が破滅的な崩壊(0.78から0.22)を引き起こした。
これらの原理は、クラス不均衡を伴うマルチラベルの医療画像分類に一般化可能である。
関連論文リスト
- DiffEEG: A Self-Supervised Denoising Diffusion Model for Learning EEG Generic Representations [1.901880164206253]
脳波による発作検出のための自己教師型基礎モデルDiffEEGを提案する。
DiffEEGは、Temple University Hospital Seizure Corpus (TUHSZ)から1.3Mの未ラベルセグメントで事前訓練され、多頭部自己注意の1D U-Netを介して汎用神経表現を学習する。
厳密な患者の評価では、DiffEEGは61%の精度、59%のF1が4級発作のサブタイプで、81%の精度で重み付けされたF1が2値検出で85%の精度で達成されている。
論文 参考訳（メタデータ） (2026-07-13T13:59:45Z) - MorphDistill: Distilling Unified Morphological Knowledge from Pathology Foundation Models for Colorectal Cancer Survival Prediction [3.2844015242965927]
複数の病理基盤モデルから補完的知識を抽出し,CRC固有のエンコーダに変換するフレームワークであるMorphDistillを提案する。
第1段階では,学生エンコーダは,大規模大腸データセット上でのコントラスト正規化を監督したディメンション非依存型マルチティーチンガー蒸留を用いて訓練される。
ステージIIでは、エンコーダが全スライド画像からパッチレベルの特徴を抽出し、注意に基づく複数インスタンス学習を通じて集約し、5年間の生存を予測する。
論文 参考訳（メタデータ） (2026-04-07T19:21:18Z) - XAI-Driven Skin Disease Classification: Leveraging GANs to Augment ResNet-50 Performance [2.7930955543692817]
本研究は,限界を克服するために,信頼性が高く高精度なコンピュータ支援診断(CAD)システムを提案する。
このアプローチでは、クラス毎のデータ拡張にDeep Convolutional Generative Adversarial Networks (DCGAN) を用いて、クリティカルクラスの不均衡問題を解決する。
システム全体の精度は92.50 %、マクロAUC98.82 %に達し、様々な以前のベンチマークアーキテクチャを上回りました。
論文 参考訳（メタデータ） (2025-11-29T20:46:30Z) - Transparent Early ICU Mortality Prediction with Clinical Transformer and Per-Case Modality Attribution [42.85462513661566]
ICU滞在後48時間から, 生理的時系列測定と非構造的臨床記録とを融合した, 軽量で透明なマルチモーダルアンサンブルを提案する。
ロジスティック回帰モデルは、バイタル用双方向LSTMとノート用微調整された臨床ModernBERT変換器の2つのモード固有モデルからの予測を組み合わせる。
MIMIC-IIIベンチマークでは、遅延融合アンサンブルは、よく校正された予測を維持しながら、最高の単一モデルに対する差別を改善する。
論文 参考訳（メタデータ） (2025-11-19T20:11:49Z) - MeCaMIL: Causality-Aware Multiple Instance Learning for Fair and Interpretable Whole Slide Image Diagnosis [40.3028468133626]
MIL(Multiple Case Learning)は、コンピュータ病理学における全スライド画像(WSI)解析の主流パラダイムとして登場した。
因果関係を意識したMILフレームワークである textbfMeCaMIL は、構造化因果グラフを通じて、階層的共同創設者を明示的にモデル化する。
MeCaMILは優れた公正性を達成する -- 人口格差の分散は、属性全体の平均で65%以上減少する。
論文 参考訳（メタデータ） (2025-11-14T06:47:21Z) - A Disease-Centric Vision-Language Foundation Model for Precision Oncology in Kidney Cancer [54.58205672910646]
RenalCLIPは、腎腫瘤の特徴、診断、予後のための視覚言語基盤モデルである。
腎がんの完全な臨床ワークフローにまたがる10のコアタスクにおいて、優れたパフォーマンスと優れた一般化性を実現した。
論文 参考訳（メタデータ） (2025-08-22T17:48:19Z) - Addressing High Class Imbalance in Multi-Class Diabetic Retinopathy Severity Grading with Augmentation and Transfer Learning [1.5939351525664014]
本稿では,2型および5型糖尿病網膜症(DR)分類のための堅牢なディープラーニングフレームワークを提案する。
2値分類では, 99.9%の精度, 98.6%の精度, 99.3%のリコール, 98.9%のF1スコア, 99.4%のAUCが得られた。
より困難な5クラス重度分類タスクでは、84.6%の競合精度と94.1%のAUCが、いくつかの既存手法より優れている。
論文 参考訳（メタデータ） (2025-07-23T01:52:27Z) - Predicting Length of Stay in Neurological ICU Patients Using Classical Machine Learning and Neural Network Models: A Benchmark Study on MIMIC-IV [49.1574468325115]
本研究は、MIMIC-IVデータセットに基づく神経疾患患者を対象とした、ICUにおけるLOS予測のための複数のMLアプローチについて検討する。
評価されたモデルには、古典的MLアルゴリズム(K-Nearest Neighbors、Random Forest、XGBoost、CatBoost)とニューラルネットワーク(LSTM、BERT、テンポラルフュージョントランス)が含まれる。
論文 参考訳（メタデータ） (2025-05-23T14:06:42Z) - Advancing Tabular Stroke Modelling Through a Novel Hybrid Architecture and Feature-Selection Synergy [0.9999629695552196]
本研究は、ストロークを予測するように設計されたデータ駆動型、解釈可能な機械学習フレームワークを開発し、検証する。
定期的に収集された人口統計、生活習慣、臨床変数は4,981件の公的なコホートから得られた。
提案したモデルでは精度97.2%、F1スコア97.15%が達成され、先行する個人モデルと比較して大幅に向上した。
論文 参考訳（メタデータ） (2025-05-18T21:46:45Z) - Correcting Class Imbalances with Self-Training for Improved Universal Lesion Detection and Tagging [43.06199185109424]
CT研究におけるユニバーサル病変検出・タグング(ULDT)は,腫瘍の負担評価と経過に伴う病変の進行(成長・収縮)の追跡に重要である。
以前の研究では、DeepLesionデータセット(4,427人、研究10,594人、CTスライス32,120人、病変32,735人、体の一部のラベル8人)をアルゴリズム開発に使用していたが、このデータセットは完全に注釈付けされておらず、クラス不均衡を含んでいる。
我々は,DeepLesionの11.5%のサブセットを限定的に使用して,ULDTのための自己学習パイプラインを開発した。
論文 参考訳（メタデータ） (2025-04-07T15:57:03Z) - Benchmarking Reasoning Robustness in Large Language Models [76.79744000300363]
新規データや不完全データでは,性能が著しく低下することがわかった。
これらの結果は、厳密な論理的推論に対するリコールへの依存を浮き彫りにした。
本稿では,情報不足によって引き起こされる幻覚を利用して推論ギャップを明らかにする,Math-RoBと呼ばれる新しいベンチマークを提案する。
論文 参考訳（メタデータ） (2025-03-06T15:36:06Z)
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。