論文の概要: Clinically-Grounded Hierarchical Classification for Consistent Chest X-ray Interpretation
- arxiv url: http://arxiv.org/abs/2608.03016v1
- Date: Tue, 04 Aug 2026 01:59:12 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-05 15:30:22.992668
- Title: Clinically-Grounded Hierarchical Classification for Consistent Chest X-ray Interpretation
- Title（参考訳）: 胸部X線解析の階層分類
- Abstract要約: CHASEは、9つの解剖学的領域、17の亜領域、28の病理所見の臨床的に駆動された3段階の分類を通して、放射線技師の粗大な推論を反映している。
実験により、CHASEはすべてのレベルにわたってフラットで階層的なベースラインよりも優れています。
- 参考スコア（独自算出の注目度）: 8.409132986888627
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Accurate chest X-ray interpretation is inherently hierarchical. Clinical decisions depend not only on what abnormality is present but where it is situated, requiring reasoning from broad anatomical systems down to specific pathological findings. Yet existing automated systems largely treat this as a flat classification problem, failing to capture inter-level dependencies or enforce coherence between coarse and fine predictions. We propose CHASE (Classification with Hierarchical Analysis and Structured Enforcement), a unified single-stage framework that mirrors radiologists' coarse-to-fine reasoning through a clinically driven three-level taxonomy of 9 anatomical regions, 17 sub-regions, and 28 pathological findings. CHASE jointly optimizes multi-level supervision, cross-level probability alignment, and a hierarchy-violation penalty within a shared Vision Transformer backbone. This ensures that fine-grained findings are anatomically supported by their coarser-level context rather than predicted in isolation. Experiments demonstrate that CHASE outperforms flat and hierarchical baselines across all levels while achieving superior probabilistic hierarchy consistency, with level-wise attention maps confirming anatomically grounded predictions. Code is available at: https://github.com/yejix-ai/CHASE.
- Abstract（参考訳）: 正確な胸部X線解釈は本質的に階層的である。
臨床診断は、異常の有無だけでなく、どの位置にあるかにも依存する。
しかし、既存の自動化システムは、これをフラットな分類問題として扱い、階層間の依存関係をキャプチャしたり、粗い予測と微妙な予測の一貫性を強制しなかった。
臨床駆動型9つの解剖学的領域,17の亜領域,28の病理所見から,放射線技師の粗大な推論を反映した単一段階のフレームワークであるCHASE(Classification with Hierarchical Analysis and Structured Enforcement)を提案する。
CHASEは、マルチレベル監視、クロスレベル確率アライメント、および共有ビジョントランスフォーマーバックボーン内の階層的違反ペナルティを共同で最適化する。
これにより、粒度の細かい発見が、単独で予測されるのではなく、粗いレベルのコンテキストによって解剖学的に支持されることが保証される。
実験により、CHASEは全てのレベルにわたって平坦で階層的なベースラインを上回り、高い確率的階層整合性を実現し、レベルワイドの注意マップは解剖学的根拠の予測を裏付けることを示した。
コードは、https://github.com/yejix-ai/CHASE.comで入手できる。
関連論文リスト
- MAC-XA: Multi-view Anatomy-Correspondence Fusion for Coronary Stenosis Reporting from X-ray Angiography [46.98348758460767]
冠動脈X線写真における多視点推論は本質的に横射影幾何学的問題である。
我々は、幾何学に基づくパッチレベルの対応管理を公開するために、制御可能な合成血管造影生成戦略を導入する。
合成データおよびゼロショットの実際の血管造影への移動実験により、このアライメントに制約のある設計は、一致の整合性と構造化狭窄の報告を改善することが示されている。
論文 参考訳（メタデータ） (2026-07-07T13:33:25Z) - Beyond Flat Labels: Level-Restricted Contrastive Learning for Hierarchical Fine-Grained Vision Classification [50.20892407648858]
マルチモーダルコントラスト学習は、画像とテキストカテゴリを整列させることで、ゼロショットの視覚的分類を可能にした。
既存の手法は、しばしば分類学レベルで矛盾する予測を生成する。
本稿では,各分類レベルが適切な最適化を受けることを保証するグループバランス設計を提案する。
我々は、BioCLIPに基づいてTreeOfLife-10Mでモデルをトレーニングし、複数の階層分類ベンチマークで評価する。
論文 参考訳（メタデータ） (2026-06-20T02:12:05Z) - Online Continual Learning with Dynamic Label Hierarchies [72.33335166136045]
粒度をまたいで重大度が進化する新しい問題設定であるDHOCLを導入し,各サンプルは単一階層レベルでの監視を行う。
i) 混合粒度の部分的監視は、塑性を制約し、階層間のセマンティック一貫性を損なう、進化するパスワイド階層上のポイントワイド信号のみを提供する。
本稿では,相補的分類を適応的に組み合わせ,学習可能な階層型プロトタイプによって正規化し,素早い適応,階層的整合性,構造的知識の統合を可能にするHALOを提案する。
論文 参考訳（メタデータ） (2026-05-12T08:20:23Z) - A neurosymbolic Approach with Epistemic Deep Learning for Hierarchical Image Classification [7.18839452757154]
本研究では,スイニングトランスフォーマーを増強するための統合型ニューロシンボリック・エピステマティック・モデリングフレームワークを提案する。
ラベルを孤立したカテゴリとして扱うのではなく、本手法はデータ駆動型焦点セットを誘導する。
これらの焦点集合は信念理論の層の基礎を形成する。
学習可能な損失は、キャリブレーション、質量正規化、論理一貫性のバランスを保ち、モデルがデータ駆動型エビデンスでシンボル構造を適応的に取り除くことができる。
論文 参考訳（メタデータ） (2026-05-11T09:43:43Z) - Learning Coarse-to-Fine Osteoarthritis Representations under Noisy Hierarchical Labels [0.2538209532048867]
変形性膝関節症 (OA) の評価には, 粗い2進度OA判定と細粒度Kelgren-Lawrence(KL)重症度が関与する。
本稿では,階層的監督の探究として,共有エンコーダと2つのタスク固有ヘッドを備えた,意図的に単純な二重ヘッドモデルを提案する。
以上の結果より, 両頭部管理は背骨依存性の利得を生じ, KL関連指標の改善が認められた。
論文 参考訳（メタデータ） (2026-05-01T15:07:14Z) - Clinical Cognition Alignment for Gastrointestinal Diagnosis with Multimodal LLMs [63.535652574541764]
MLLM(Multimodal Large Language Models)は医用画像解析において顕著な可能性を示した。
消化器内視鏡におけるそれらの応用は、現在、2つの重要な限界によって妨げられている。
本稿では,これらの課題に対処する新しい臨床認知アライメント(CogAlign)フレームワークを提案する。
論文 参考訳（メタデータ） (2026-03-21T07:47:37Z) - Multi-View Stenosis Classification Leveraging Transformer-Based Multiple-Instance Learning Using Real-World Clinical Data [76.89269238957593]
冠動脈狭窄は心血管疾患の主要な原因であり,多発血管造影で冠動脈を解析し診断した。
患者レベルの狭窄分類のためのトランスフォーマーベースマルチビューマルチインスタンス学習フレームワークであるSegmentMILを提案する。
論文 参考訳（メタデータ） (2026-02-02T13:07:52Z) - Learning Consistent Taxonomic Classification through Hierarchical Reasoning [61.372270953201955]
分類学分類における葉レベル精度と階層的整合性を改善するための2段階階層型推論フレームワークを提案する。
我々のフレームワークはQwen2.5-VL-7Bモデルで実装され、葉レベルと階層的整合性の両方で元の72Bを10%以上上回っている。
論文 参考訳（メタデータ） (2026-01-21T03:00:00Z) - Restrictive Hierarchical Semantic Segmentation for Stratified Tooth Layer Detection [1.8962631112665473]
解剖学的階層を意味的セグメンテーションに組み込む一般的なフレームワークを導入する。
子クラス機能は、親クラス確率のフィーチャーワイド線形変調を用いて条件付けされる。
確率的構成規則は親クラスと子孫クラスの一貫性を強制する。
論文 参考訳（メタデータ） (2025-12-08T19:15:08Z) - Hierarchical Attention for Sparse Volumetric Anomaly Detection in Subclinical Keratoconus [0.0]
階層アーキテクチャーは21～23%の感度と特異性を実現します。
力学解析は、この利点が空間スケールのアライメントから生じることを示唆している。
サブクリニカルケースは、健康的または過剰な病理学的ボリュームよりも長い空間的な統合を必要とする。
論文 参考訳（メタデータ） (2025-12-03T01:20:13Z) - Hierarchical Semantic Learning for Multi-Class Aorta Segmentation [7.05504780945516]
既存の手法は、しばしば階層的な解剖学的関係を見落としている。
階層型セマンティックラーニングに新しいフラクタルソフトマックスを活用するカリキュラム学習戦略を提案する。
人間の認知にインスパイアされた我々のアプローチは、複雑な構造を分解することで解剖学的制約を徐々に学習する。
論文 参考訳（メタデータ） (2025-11-18T06:46:07Z) - Finding Alignments Between Interpretable Causal Variables and
Distributed Neural Representations [62.65877150123775]
因果抽象化は、説明可能な人工知能のための有望な理論的枠組みである。
既存の因果抽象法では、高レベルモデルと低レベルモデルの間のアライメントをブルートフォースで探索する必要がある。
これらの制約を克服する分散アライメントサーチ(DAS)を提案する。
論文 参考訳（メタデータ） (2023-03-05T00:57:49Z)
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。