論文の概要: ScaFE: Data-Efficient Scar Classification with LLM-Generated Clinical Feature Programs

• arxiv url: http://arxiv.org/abs/2607.28538v1
• Date: Thu, 30 Jul 2026 17:05:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-31 21:37:00.687419
• Title: ScaFE: Data-Efficient Scar Classification with LLM-Generated Clinical Feature Programs
• Title（参考訳）: ScaFE: LLMによる臨床機能プログラムを用いたデータ効率の良いスカー分類
• Abstract要約: 本稿では,大言語モデル(LLM)から決定論的かつ実行可能な機能プログラムへ臨床知識を伝達するScaFE(Scar Feature Engineering)を紹介する。 ウェブ対応LCMは、臨床証拠を検索し、視覚的に評価可能な傷跡特性を測定するプログラムを合成する。 ScaFEは, 3つの病院からの600枚の写真から, 81.0%のサイト・マクロ・バランスの精度を達成した。
• 参考スコア（独自算出の注目度）: 2.9744591948837615
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Classifying pathological scars from clinical photographs requires distinguishing keloids from hypertrophic scars despite limited expert-labeled data and substantial acquisition variation across hospitals. End-to-end image models remain data-dependent, whereas sending photographs to a hosted vision-language model (VLM) may conflict with local data-governance requirements and yields decisions that are difficult to reproduce and audit. We introduce ScaFE (Scar Feature Engineering), which transfers clinical knowledge from a large language model (LLM) into deterministic, executable feature programs instead of asking the model to diagnose images. A web-enabled LLM retrieves clinical evidence and synthesizes programs that measure visually assessable scar attributes. Candidate programs execute in a restricted local environment, and only aggregate validation statistics and feature-level SHAP summaries are returned for iterative repair and refinement; raw images and patient-level outputs remain local. A lightweight Random Forest then operates on the resulting structured representation. On 600 photographs from three hospitals under leave-one-site-out evaluation, ScaFE achieves 81.0% site-macro balanced accuracy, exceeding the strongest baseline, BiomedCLIP, by 10.0 percentage points. With only 10% of the development data, ScaFE retains 72.0% balanced accuracy and an 11.8-point lead. Iterative refinement also raises the executable-program rate from 66.7% to 95.0%, with verified evidence for 91.7% of the final features. These results show that LLM knowledge can support data-efficient, cross-site medical image classification through local and auditable feature programs rather than direct VLM decisions.
• Abstract（参考訳）: 臨床写真から病理所見を分類するには、専門的なラベル付きデータに制限されたにもかかわらず、ケロイドと肥厚した傷を区別する必要がある。 エンドツーエンドの画像モデルはデータ依存のままであるが、ホストされた視覚言語モデル(VLM)に写真を送ると、ローカルなデータガバナンスの要求と矛盾し、再現や監査が難しい決定を下す可能性がある。 本稿では,大言語モデル(LLM)から決定論的かつ実行可能な機能プログラムへ臨床知識を変換するScaFE(Scar Feature Engineering)について紹介する。 ウェブ対応LCMは、臨床証拠を検索し、視覚的に評価可能な傷跡特性を測定するプログラムを合成する。 候補プログラムは制限されたローカル環境で実行され、集計されたバリデーション統計と特徴レベルのSHAPサマリーのみが反復的な修復と改善のために返却される。 軽量のランダムフォレストは、その結果の構造化表現を運用する。 ScaFEは3つの病院からの600枚の写真から,最強のベースラインであるBiomedCLIPを10.0ポイント上回る81.0%のサイト・マクロバランスの精度を達成している。 開発データの10%に過ぎず、ScaFEは72.0%のバランスの取れた精度と11.8ポイントのリードを維持している。 反復的な改良により実行可能プログラム率は66.7%から95.0%に上昇し、最終的な特徴の91.7%が証明された。 これらの結果から,LPMの知識は,直接のVLM決定ではなく,局所的・監査可能な機能プログラムを通じて,データ効率のよいクロスサイト医療画像分類を支援することができることが示された。

関連論文リスト

• Assessing VLM Reliability for Medical Image Quality Evaluation Under Corruption and Bias [0.45880283710344055]
  VLM(Vision-Language Models)は、病理記述、レポート生成、視覚的質問応答などの医療タスクにますます応用されている。 医用画像品質評価(MIQA)は、画像が臨床診断に必要な基準を満たしているかどうかを判断することで、診断精度と患者の安全性を支援する。 医用画像の品質に関するVLMのベンチマークでは、7つの汚職重度タイプと5つの重度レベルにまたがって、MedMeta-Cデータセットをゼロショットでベンチマークした。
  論文  参考訳（メタデータ） (2026-07-02T10:08:11Z)
• When LLMs Analyze Scars: From Images to Clinically-Meaningful Features [2.9744591948837615]
  本稿では,大規模言語モデル(LLM)を知識駆動型機能エンジニアとして再配置する新しいパラダイムを提案する。 我々の重要な洞察は、LLMは、実行可能な特徴抽出コードとして外部化できる豊富な医療知識をエンコードしているということです。 提案手法は,(1)データ効率,限られたトレーニングサンプルによる堅牢なパフォーマンスの実現,(2)生画像が外部のLCMに晒されることなく局所的に処理されるプライバシー保護,(3)臨床理由に基づく明示的な特徴による解釈可能性,の3つの利点を提供する。
  論文  参考訳（メタデータ） (2026-06-16T15:38:06Z)
• Ocular-Induced Abnormal Head Posture: Diagnosis and Missing Data Imputation [1.7061463565692456]
  AHP(Acular-induced abnormal head posture)は、眼疾患から生じる補充機構である。 本研究では,2つの相補的なディープラーニングフレームワークを通じて,両課題に対処する。 AHP-CADNetは自動診断のための多層注意融合フレームワークである。 カリキュラムベースの計算フレームワークは、欠落したデータを緩和するために設計されている。
  論文  参考訳（メタデータ） (2025-10-07T07:51:59Z)
• GEMA-Score: Granular Explainable Multi-Agent Scoring Framework for Radiology Report Evaluation [7.838068874909676]
  Granular Explainable Multi-Agent Score (GEMA-Score)は、大規模言語モデルに基づくマルチエージェントワークフローを通じて、客観的および主観的評価を行う。 GEMA-Scoreは、公開データセット上での人間の専門家評価と最も高い相関を達成している。
  論文  参考訳（メタデータ） (2025-03-07T11:42:22Z)
• Uncertainty Quantified Deep Learning and Regression Analysis Framework for Image Segmentation of Skin Cancer Lesions [0.0]
  深層学習モデル(DLM)は、しばしば医療画像から正確な腫瘍の分類と分類を行う。 DLMは、Dice係数やパフォーマンスへの自信などのイメージセグメンテーションメカニズムに対するフィードバックを欠いているが、現実の臨床環境では目に見えない画像を処理する場合、課題に直面している。 本研究は2つのDLMについて報告する。1つはスクラッチから訓練し、もう1つは転写学習に基づいて、モンテカルロのドロップアウトまたはベイズ・バイ・バックプロップ不確かさを、一般に公開されているThe International Skin Imaging Collaboration-19 dermoscopy image databaseから推定する。
  論文  参考訳（メタデータ） (2024-12-28T04:06:44Z)
• Towards Reliable Medical Image Segmentation by Modeling Evidential Calibrated Uncertainty [57.023423137202485]
  医用画像のセグメンテーションの信頼性に関する懸念が臨床医の間で続いている。 本稿では,医療画像セグメンテーションネットワークにシームレスに統合可能な,実装が容易な基礎モデルであるDEviSを紹介する。 主観的論理理論を活用することで、医用画像分割の確率と不確実性を明示的にモデル化する。
  論文  参考訳（メタデータ） (2023-01-01T05:02:46Z)
• Automated SSIM Regression for Detection and Quantification of Motion Artefacts in Brain MR Images [54.739076152240024]
  磁気共鳴脳画像における運動アーチファクトは重要な問題である。 MR画像の画質評価は,臨床診断に先立って基本的である。 構造類似度指数(SSIM)回帰に基づく自動画像品質評価法が提案されている。
  論文  参考訳（メタデータ） (2022-06-14T10:16:54Z)
• Malignancy Prediction and Lesion Identification from Clinical Dermatological Images [65.1629311281062]
  臨床皮膚画像から機械学習に基づく悪性度予測と病変の同定を検討する。 まず, サブタイプや悪性度に関わらず画像に存在するすべての病変を同定し, その悪性度を推定し, 凝集により, 画像レベルの悪性度も生成する。
  論文  参考訳（メタデータ） (2021-04-02T20:52:05Z)
• Variational Knowledge Distillation for Disease Classification in Chest X-Rays [102.04931207504173]
  我々は,X線に基づく疾患分類のための新しい確率的推論フレームワークである反復的知識蒸留(VKD)を提案する。 提案手法の有効性を,X線画像とEHRを用いた3つの公開ベンチマークデータセットに示す。
  論文  参考訳（メタデータ） (2021-03-19T14:13:56Z)

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。