Fugu-MT 論文翻訳(概要): Explainable Diabetic Retinopathy Classification Using Vision Foundation Models

論文の概要: Explainable Diabetic Retinopathy Classification Using Vision Foundation Models

arxiv url: http://arxiv.org/abs/2608.28207v1
Date: Fri, 28 Aug 2026 11:26:43 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-31 17:16:04.30003
Title: Explainable Diabetic Retinopathy Classification Using Vision Foundation Models
Title（参考訳）: 視覚基礎モデルを用いた説明可能な糖尿病網膜症分類
Authors: Abhishek Verma, Anila Krishna, Abhishek Gajanan Bankar, Juan Miguel Lopez Alcaraz,
Abstract要約: 糖尿病網膜症(DR)は、予防可能な失明の主要な原因であり、正確で信頼性の高い自動スクリーニングの必要性が生じる。本研究は,視覚基盤モデルと多変速学習戦略を用いた説明可能なDR分類フレームワークについて検討する。
参考スコア（独自算出の注目度）: 0.3563504400596782
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Diabetic retinopathy (DR) is a major cause of preventable blindness, creating a need for accurate and trustworthy automated screening. This study investigates an explainable DR classification framework using vision foundation models and multiple transfer learning strategies. Three backbones, DINOv2, CLIP, and Vision Transformer (ViT), were evaluated using full fine-tuning, linear probing, and Low-Rank Adaptation (LoRA). Models were trained and internally evaluated on the ODIR dataset and externally evaluated on APTOS to assess generalization. DINOv2-LoRA achieved the highest internal AUROC of 0.758, while DINOv2 full fine-tuning and ViT full fine-tuning achieved the highest external AUROC of 0.920. Calibration was further assessed using reliability analysis after isotonic regression. For explainability, Grad-CAM and HiResCAM were evaluated against expert-annotated lesion masks from the IDRiD dataset using Dice, Intersection over Union (IoU), and Pointing Game metrics. The results demonstrate that foundation models, particularly DINOv2, can provide strong predictive performance, while LoRA offers a parameter-efficient alternative to full fine-tuning. Quantitative evaluation of explanation maps further supports the assessment of whether model attention corresponds to clinically relevant retinal lesions.
Abstract（参考訳）: 糖尿病網膜症(DR)は、予防可能な失明の主要な原因であり、正確で信頼性の高い自動スクリーニングの必要性が生じる。本研究は,視覚基盤モデルと多変速学習戦略を用いた説明可能なDR分類フレームワークについて検討する。 3つのバックボーンであるDINOv2, CLIP, Vision Transformer (ViT) を, フル微調整, 線形探傷, ローランド適応 (LoRA) を用いて評価した。モデルは、ODIRデータセット上でトレーニングされ、内部で評価され、一般化を評価するためにAPTOSで外部で評価された。 DINOv2-LoRAは最高出力0.758のAUROCを、DINOv2はフル微調整、ViTは最大出力0.920のAUROCを達成した。等速回帰後の信頼性解析を用いて校正を更に評価した。説明可能性について,Dice,Intersection over Union (IoU),Pointing Gameの計測値を用いて,IDRiDデータセットからGrad-CAMとHiResCAMを評価した。その結果、基礎モデル、特にDINOv2は強力な予測性能を提供できる一方で、LoRAは完全な微調整に代わるパラメータ効率の代替となることを示した。説明地図の定量的評価は、モデル注意が臨床的に関連のある網膜病変に対応するかどうかを更に評価する上で有効である。

関連論文リスト

Robust Diabetic Retinopathy Grading Using Dual-Resolution Attention-Based Deep Learning with Ordinal Regression [0.0]
本研究は糖尿病網膜症診断のための頑健なデュアルレゾリューション深層学習フレームワークを提案する。注意に基づく特徴融合と順序回帰を統合し、データセット間の一般化を改善する。実験の結果, APTOS検証セットでは0.88の2次重み付きカッパ(QWK), 見えないMessidor-2データセットでは0.68の2次重み付きカッパ(QWK)が達成された。
論文参考訳（メタデータ） (2026-04-19T09:27:37Z)
Diabetic Retinopathy Grading with CLIP-based Ranking-Aware Adaptation:A Comparative Study on Fundus Image [7.6889618752994595]
糖尿病性網膜症重症度評価のためのCLIPベースの3つのアプローチについて検討した。ランキング認識プロンプトモデルは、DR進行の順序構造を符号化する。実験により、ランキングアウェアモデルが最も高い総合的精度(93.42%、AUROC 0.9845)を達成し、臨床的に致命的な重篤な症例に対する強いリコールが達成された。
論文参考訳（メタデータ） (2026-03-12T06:49:32Z)
Synthetic Vasculature and Pathology Enhance Vision-Language Model Reasoning [39.96133625333846]
本稿では,SVR(Synthetic Vasculature Reasoning)について紹介する。これに基づいて10万対のOCTAイメージ推論データセットであるOCTA-100K-SVRをキュレートする。実験により,データセット上で訓練された汎用VLMは,実際のOCTA画像に対して89.67%のゼロショットバランスの分類精度が得られることがわかった。
論文参考訳（メタデータ） (2025-12-11T19:19:39Z)
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)
Stage Aware Diagnosis of Diabetic Retinopathy via Ordinal Regression [2.5755043179316623]
この作業では、APTOS 2019のファンドイメージデータセットを使用する、最先端のオーディショナル回帰に基づくDR検出フレームワークが導入されている。 DR分類において最も関連性の高い特徴を抽出するために,プリプロセッシング法の組み合わせを用いた。通常の回帰アプローチでは、APTOSデータセットに新しいベンチマークを設定し、QWKスコアが0.8992に達した。
論文参考訳（メタデータ） (2025-11-18T12:02:50Z)
Design and Validation of a Responsible Artificial Intelligence-based System for the Referral of Diabetic Retinopathy Patients [65.57160385098935]
糖尿病網膜症の早期発見は、視力喪失のリスクを最大95%減少させる可能性がある。我々は、AIライフサイクル全体にわたる倫理的原則を取り入れた、DRスクリーニングのための責任あるAIシステムであるRAIS-DRを開発した。当科におけるRAIS-DRをFDA認可のEyeArtシステムと比較した。
論文参考訳（メタデータ） (2025-08-17T21:54:11Z)
SurgeryLSTM: A Time-Aware Neural Model for Accurate and Explainable Length of Stay Prediction After Spine Surgery [44.119171920037196]
選択的脊椎手術における滞在時間(LOS)予測のための機械学習モデルの開発と評価を行った。我々は,従来のMLモデルと,マスク付き双方向長短期記憶(BiLSTM)であるオペレーショナルLSTMを比較した。決定係数(R2)を用いて性能を評価し,説明可能なAIを用いて鍵予測器を同定した。
論文参考訳（メタデータ） (2025-07-15T01:18:28Z)
Comprehensive Evaluation of OCT-based Automated Segmentation of Retinal Layer, Fluid and Hyper-Reflective Foci: Impact on Clinical Assessment of Diabetic Retinopathy Severity [0.0]
糖尿病網膜症(DR)は視覚障害の主要な原因であり、不可逆的な損傷を防ぐために早期かつ正確な評価が必要である。本研究では,網膜層の自動セグメンテーションのための能動的学習に基づくディープラーニングパイプラインを提案する。
論文参考訳（メタデータ） (2025-03-03T07:23:56Z)
Machine Learning for ALSFRS-R Score Prediction: Making Sense of the Sensor Data [44.99833362998488]
筋萎縮性側索硬化症(Amyotrophic Lateral Sclerosis、ALS)は、急速に進行する神経変性疾患である。 iDPP@CLEF 2024チャレンジを先導した今回の調査は,アプリから得られるセンサデータを活用することに焦点を当てている。
論文参考訳（メタデータ） (2024-07-10T19:17:23Z)
RetiNerveNet: Using Recursive Deep Learning to Estimate Pointwise 24-2 Visual Field Data based on Retinal Structure [109.33721060718392]
緑内障は世界でも不可逆的な盲目の主要な原因です 7000万人以上が影響を受けています The Standard Automated Perimetry (SAP) test's innate difficulty and its high test-retest variable, we propose the RetiNerveNet。
論文参考訳（メタデータ） (2020-10-15T03:09:08Z)

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。