論文の概要: Disentangling Co-Occurring Retinal Pathologies with Saliency-Guided Sparse Expert Routing

• arxiv url: http://arxiv.org/abs/2608.09752v1
• Date: Mon, 10 Aug 2026 15:43:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-11 19:16:37.353738
• Title: Disentangling Co-Occurring Retinal Pathologies with Saliency-Guided Sparse Expert Routing
• Title（参考訳）: Saliency-Guided Sparse Expert Routing による網膜病変の鑑別
• Abstract要約: 本稿では,これをスパース条件計算によって解決する新しいアーキテクチャを提案する。 本研究は, 局所的な病変との整合性を示すとともに, 地理的に類似した症例を地図化したものである。
• 参考スコア（独自算出の注目度）: 3.332219204498619
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Retinal fundus images frequently exhibit multiple co-occurring pathologies, yet standard deep learning classifiers apply static, identical computation to every image regardless of the underlying disease distribution. We propose a novel architecture that resolves this via sparse conditional computation, pairing a Guided Context Gating (GCG) spatial attention front-end with a sparsely-routed Mixture-of-Experts (MoE) block operating over feature tokens. Crucially, this routing yields an interpretable, data-driven decomposition. Expert allocation is significantly disease-dependent (p < 0.001), with the healthy Normal state and morphologically distinct pathologies (e.g., ERM, AMD) isolating to dedicated experts. On a five-class, patient-disjoint 5-fold cross-validation benchmark, our model achieves 0.912 +/- 0.008 macro AUC and 0.653 +/- 0.014 macro F1. Furthermore, Grad-CAM++ and post-MoE t-SNE visualizations confirm that expert routing aligns with localized lesions and geometrically maps co-occurring cases between their constituent clusters, positioning sparse MoE as an interpretable approach to multi-disease retinal screening.
• Abstract（参考訳）: 網膜眼底画像は複数の共起病理を呈することが多いが、標準的なディープラーニング分類器は、根底にある疾患の分布に関わらず、すべての画像に対して静的で同一の計算を適用する。 本稿では,これをスパース条件計算(sparse conditional compute)により解決する新しいアーキテクチャを提案し,特徴トークンを操作した疎密な混在型(Mixture-of-Experts, MOE)ブロックと,ガイド付きコンテキストゲーティング(GCG)空間アテンションフロントエンドをペアリングする。 重要なことに、このルーティングは解釈可能でデータ駆動の分解をもたらす。 専門家の割り当ては、健康な正常な状態と形態学的に異なる病態(例えば、ERM、AMD)が専門の専門家に孤立しているため、疾患に依存している(p < 0.001)。 また, 5-class, patient-disjoint 5-fold cross-validation ベンチマークでは, 0.912 +/- 0.008 macro AUC と 0.653 +/- 0.014 macro F1 が得られた。 さらに、Grad-CAM++ と Post-MoE t-SNE の可視化では、専門家のルーティングが局所的な病変と整合し、構成クラスター間のケースを幾何学的にマッピングし、スパース MoE を多相網膜スクリーニングの解釈可能なアプローチとして位置づけている。

関連論文リスト

• Predicting Immune Biomarkers with MultiModal Mixture-of-Expert Pathology Foundation Models Empowers Precision Oncology [47.79180201495836]
  MixTIMEは、異なるモダリティで訓練された病理基盤モデルを統合したマルチモーダル基礎モデルである。 ヘマトキシリンおよびエオシン全スライディング画像から多重免疫蛍光(mIF)タンパク質の発現を予測する。 MixTIMEは17個のタンパク質マーカーにまたがる最先端のパフォーマンスを相関指標で測定する。
  論文  参考訳（メタデータ） (2026-06-16T16:22:42Z)
• MedMamba: Multi-View State Space Models with Adaptive Graph Learning for Medical Time Series Classification [60.41879345743941]
  状態空間モデルとドメイン固有の帰納バイアスを統合するエンドツーエンドアーキテクチャであるMedMambaを提案する。 MedMambaは線形計算複雑性を維持しながら最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-05-24T09:23:39Z)
• A Unified Framework for Joint Detection of Lacunes and Enlarged Perivascular Spaces [3.9313804276175506]
  脳小血管疾患(CSVD)マーカー,特にEPVSとlacunaeは,医用画像解析においてユニークな課題である。 本稿では,Zero-Gated CrossTask Attention が高密度EPVSコンテキストを利用してスパースラグーン検出を誘導する形態分離フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-04T16:30:46Z)
• Survival Modeling from Whole Slide Images via Patch-Level Graph Clustering and Mixture Density Experts [7.0624785659308165]
  本稿では,スライド画像全体から癌特異的生存を予測するためのモジュラーフレームワークを提案する。 この枠組みは4つの重要な段階から成り、予測的形態学と不均一性を捉えるように設計されている。
  論文  参考訳（メタデータ） (2025-07-22T11:32:36Z)
• ConDiSR: Contrastive Disentanglement and Style Regularization for Single Domain Generalization [42.810247034149214]
  医療データは、しばしば分散シフトを示し、標準パイプラインを使用してトレーニングされたディープラーニングモデルのテスト時のパフォーマンス劣化を引き起こす。 本研究は、分類タスクの文脈において、単一ドメインの一般化フレームワークを探索することの重要性と課題を強調した。
  論文  参考訳（メタデータ） (2024-03-14T13:50:44Z)
• 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)
• Co-Heterogeneous and Adaptive Segmentation from Multi-Source and Multi-Phase CT Imaging Data: A Study on Pathological Liver and Lesion Segmentation [48.504790189796836]
  我々は,新しいセグメンテーション戦略,コヘテロジネティック・アダプティブセグメンテーション(CHASe)を提案する。 本稿では,外見に基づく半スーパービジョン,マスクに基づく対向ドメイン適応,擬似ラベルを融合した多目的フレームワークを提案する。 CHASeは4.2% sim 9.4%$の範囲で、病理的な肝臓マスクDice-Sorensen係数をさらに改善することができる。
  論文  参考訳（メタデータ） (2020-05-27T06:58:39Z)

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。