論文の概要: Beyond Accuracy: Quantifying Pulmonary Attribution in Anatomy-Guided Chest X-Ray Classification Under Domain Shift

• arxiv url: http://arxiv.org/abs/2608.30467v1
• Date: Mon, 31 Aug 2026 08:54:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-01 18:31:31.322789
• Title: Beyond Accuracy: Quantifying Pulmonary Attribution in Anatomy-Guided Chest X-Ray Classification Under Domain Shift
• Title（参考訳）: 解剖学的ガイドによる胸部X線分類における肺属性の定量化
• Abstract要約: 深層学習モデルは、肺画像の内容に依存するかどうかを判断することなく、強い胸部X線分類性能を達成することができる。 本研究は,肺アトリビューションの含有量について,診断成績と異なる解剖学的関連信頼性特性として評価した。
• 参考スコア（独自算出の注目度）: 0.6213771671016098
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Deep-learning models can achieve strong chest X-ray (CXR) classification performance without establishing whether their predictions predominantly rely on pulmonary image content. This study evaluates pulmonary attribution containment as an anatomy-related reliability property distinct from diagnostic performance. We propose DBCA-SegNet-MGAP, a multi-task anatomy-guided CNN-Transformer framework that combines complementary feature representations through bidirectional cross-backbone attention, predicts a soft lung mask, and incorporates this anatomical prior directly into classification through Mask-Guided Adaptive Global Average Pooling (MGAP). Pulmonary attribution containment is quantified using the Anatomical Local Energy Ratio (ALR) and high-intensity cumulative ALR (cALR@0.9). Experiments were repeated across three training seeds using the COVID-19 Radiography Database for four-class internal testing and a locked Shenzhen-to-Montgomery protocol for zero-shot external tuberculosis testing. On COVID-19, the proposed model achieved a weighted F1 of $0.9615 \pm 0.0015$ and macro ROC-AUC of $0.9906 \pm 0.0007$. In an architecture-matched dual-bridge comparison, replacing conventional GAP with MGAP increased ALR from $0.3878 \pm 0.0098$ to $0.7086 \pm 0.0104$ and cALR@0.9 from $0.5265 \pm 0.0101$ to $0.9905 \pm 0.0018$, while weighted F1 remained essentially unchanged ($0.9618 \pm 0.0015$ vs. $0.9615 \pm 0.0015$). Under locked external transfer to Montgomery, ROC-AUC remained $0.9080 \pm 0.0043$ and pulmonary ALR remained $0.6466 \pm 0.0081$, whereas weighted F1 decreased to $0.7528 \pm 0.0080$ and ECE increased to $0.1683 \pm 0.0055$. These findings show that diagnostic discrimination, calibration, and pulmonary attribution containment are distinct model properties and support their joint evaluation under internal testing and external domain shift.
• Abstract（参考訳）: 深層学習モデルは、肺画像の内容に大きく依存するかどうかを判断することなく、強い胸部X線分類性能を達成することができる。 本研究は,肺アトリビューションの含有量について,診断成績と異なる解剖学的関連信頼性特性として評価した。 マルチタスク・アナトミー誘導CNNトランスフォーマフレームワークであるDBCA-SegNet-MGAPを提案する。これは双方向のクロスバックボーン・アテンションを通じて補完的特徴表現を結合し、軟部肺マスクを予測し、この解剖学的事前をMask-Guided Adaptive Global Average Pooling (MGAP) を介して直接分類する。 肺への寄与は解剖学的局所エネルギー比(ALR)と高強度累積ALR(cALR@0.9)を用いて定量化される。 実験は、COVID-19 Radiography Databaseを用いて4クラスの内部試験と、ゼロショット外結核検査のためのシンセン・ツー・モンゴメリー・プロトコルを用いて、3つのトレーニング種に対して繰り返し行われた。 新型コロナウイルス(COVID-19)では、提案されたモデルでは、重み付きF1が0.9615 \pm 0.0015$、マクロROC-AUCが0.9906 \pm 0.0007$に達した。 アーキテクチャが整ったデュアルブリッジの比較では、従来のGAPをMGAPに置き換えたことにより、ALRは0.3878 \pm 0.0098$から0.7086 \pm 0.0104$へ、cALR@0.9は0.5265 \pm 0.0101$から0.9905 \pm 0.0018$へ、重み付きF1は0.9618 \pm 0.0015$から0.9615 \pm 0.0015$へ、という結果になった。 ROC-AUCは、モンゴメリーへのロック外注の下で0.9080 \pm 0.0043$を保ち、肺ALRは0.6466 \pm 0.0081$を保ち、重み付きF1は0.7528 \pm 0.0080$に、ECEは0.1683 \pm 0.0055$を保った。 以上の結果から, 診断, 校正, 肺への帰属は, 内的検査および外的ドメインシフトによる共同評価において, 異なるモデル特性であることが明らかとなった。

関連論文リスト

• OmniMed-FL: A Robust Multimodal Federated Learning Framework for Clinical Diagnosis [17.411567668075577]
  OmniMed-FLは,5段階の臨床条件分類のためのマルチモーダル学習の制御システムである。 本研究のプロキシコーパスでは, 患者ではなくクラス別に, 3000の公衆胸部X線写真と3,000のクラスFOLD合成ノートを照合した。 すべてのノートは合成され、ペアリングは患者レベルではないため、これらは記述的なプロキシ比較であり、診断性能やデプロイメントの準備ができていない。
  論文  参考訳（メタデータ） (2026-09-09T15:56:26Z)
• Cascade Classification of Dermoscopic Images of Skin Neoplasms with Controllable Sensitivity and External Clinical Validation [36.94429692322632]
  二段式(悪性/良性)、一段式(良性、MEL、SCC、BCC)、二段式(二段式トリアージ、三段式MEL/SCC/BCC)の3種類を比較した。 すべてのモデルはImageNet-pretrained weightsを使用し、オープンなISICアーカイブデータに1つの拡張プロトコルを使用した。 ISIC MILK10kでは、11級の直接分類により平均級感度0.525が得られる。
  論文  参考訳（メタデータ） (2026-06-11T09:55:57Z)
• CT-to-X-ray Distillation Under Tiny Paired Cohorts: An Evidence-Bounded Reproducible Pilot Study [11.316541559874864]
  本研究は,CT-to-X-rayアーキテクチャではなく,正確なタスク定義,障害モード,ランキング不安定性,将来的なCT-to-X-ray転送要求の最小要件を明示する再現性とエビデンスに縛られたパイロットプロトコルである。
  論文  参考訳（メタデータ） (2026-03-31T02:25:33Z)
• SA-CycleGAN-2.5D: Self-Attention CycleGAN with Tri-Planar Context for Multi-Site MRI Harmonization [3.5109108807229403]
  本稿では,Ben-David らによる$HH$-divergence 境界によるドメイン適応フレームワーク SA-CycleGAN-2.5D を提案する。 2D効率と3D一貫性をブリッジすることで,腫瘍の病態を保ったボクセルレベルの高調波画像が得られる。
  論文  参考訳（メタデータ） (2026-03-17T23:49:46Z)
• Pillar-0: A New Frontier for Radiology Foundation Models [41.640120966890954]
  腹部骨盤CT42,990例,胸部CT86,411例,頭部CT14,348例,胸部MRI11,543例にPillar-0を導入した。 Pillar-0は平均86.4、88.0、90.1、82.9のAUROCを達成し、MedGemma (Google)、MedImageInsight (Microsoft)、Lingshu (Alibaba)、Merlin (スタンフォード)を7.8-15.8のAUROCポイントで上回り、87.2% (319/366)タスクでランクインしている。
  論文  参考訳（メタデータ） (2025-11-21T21:50:34Z)
• Localizing Anomalies via Multiscale Score Matching Analysis [13.898576482792173]
  本稿では,脳MRIにおける異常局所化のための新しい教師なし手法であるSpatial-MSMAを紹介する。 パッチ位置とグローバル画像の特徴を条件としたフレキシブルな正規化フローモデルを用いて、パッチワイド異常スコアを推定する。 この方法は、通常発達している幼児の1,650T1およびT2重み付き脳MRIのデータセットで評価される。
  論文  参考訳（メタデータ） (2024-06-28T17:57:12Z)
• CIMIL-CRC: a clinically-informed multiple instance learning framework for patient-level colorectal cancer molecular subtypes classification from H\&E stained images [42.771819949806655]
  CIMIL-CRCは、事前学習した特徴抽出モデルと主成分分析(PCA)を効率よく組み合わせ、全てのパッチから情報を集約することで、MSI/MSS MIL問題を解決するフレームワークである。 我々は,TCGA-CRC-DXコホートを用いたモデル開発のための5倍のクロスバリデーション実験装置を用いて,曲線下平均面積(AUC)を用いてCIMIL-CRC法の評価を行った。
  論文  参考訳（メタデータ） (2024-01-29T12:56:11Z)
• Fibroglandular Tissue Segmentation in Breast MRI using Vision Transformers -- A multi-institutional evaluation [0.06499822663743766]
  乳房分割のためのトランスフォーマーベースニューラルネットワーク(TraBS)を開発し,その性能をよく確立された畳み込みネットワークnnUNetと比較した。 TraBSとnnUNetは、経験豊富なヒト読者が作成した手動セグメンテーションを用いて、200の内臓および40の乳房MRI検査で訓練された。 本研究は, NNUNetなどのトランスフォーマーモデルと比較して, 神経回路が線維粒組織セグメンテーションの質を向上させることを示した。
  論文  参考訳（メタデータ） (2023-04-18T13:12:35Z)
• Attention-based Saliency Maps Improve Interpretability of Pneumothorax Classification [52.77024349608834]
  視覚変換器(ViT)の胸部X線撮影(CXR)分類性能と注意ベース唾液の解釈可能性について検討する。 ViTは、CheXpert、Chest X-Ray 14、MIMIC CXR、VinBigDataの4つの公開データセットを用いて、肺疾患分類のために微調整された。 ViTsは最先端のCNNと比べてCXR分類AUCに匹敵するものであった。
  論文  参考訳（メタデータ） (2023-03-03T12:05:41Z)
• Controlling False Positive/Negative Rates for Deep-Learning-Based Prostate Cancer Detection on Multiparametric MR images [58.85481248101611]
  そこで本研究では,病変からスライスまでのマッピング機能に基づく,病変レベルのコスト感受性損失と付加的なスライスレベルの損失を組み込んだ新しいPCa検出ネットワークを提案する。 1) 病変レベルFNRを0.19から0.10に, 病変レベルFPRを1.03から0.66に減らした。
  論文  参考訳（メタデータ） (2021-06-04T09:51:27Z)
• Developing Univariate Neurodegeneration Biomarkers with Low-Rank and Sparse Subspace Decomposition [37.62559407222313]
  アルツハイマー病(AD)による認知機能低下は、構造磁気共鳴画像(sMRI)で捉えた脳構造変化と密接に関連している AD認知症(ADD)による形態変化を安定的に定量化できる新しい低ランク・スパース部分空間分解法を提案する。 実験結果は従来の海馬容積測定よりも優れており,UMIをUNBとして適用することを提案する。
  論文  参考訳（メタデータ） (2020-10-26T23:42:43Z)
• Lymph Node Gross Tumor Volume Detection in Oncology Imaging via Relationship Learning Using Graph Neural Network [37.88742249495087]
  我々は,真のGTV$_LN$を検出するために,LN外見とLN間関係学習フレームワークを提案する。 提案手法は,最新技術(SOTA)LN分類法をF1スコアで5.5%,13.1%で大幅に改善する。
  論文  参考訳（メタデータ） (2020-08-29T16:59:23Z)
• Automated Quantification of CT Patterns Associated with COVID-19 from Chest CT [48.785596536318884]
  提案法は,非造影胸部CTを入力として,病変,肺,葉を3次元に分割する。 この方法では、肺の重症度と葉の関与度を2つの組み合わせて測定し、COVID-19の異常度と高不透明度の存在度を定量化する。 このアルゴリズムの評価は、カナダ、ヨーロッパ、米国からの200人の参加者(感染者100人、健康管理100人)のCTで報告されている。
  論文  参考訳（メタデータ） (2020-04-02T21:49:14Z)

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。