論文の概要: From Few-Shot Segmentation to Clinician-in-the-Loop Medical Image Analysis

• arxiv url: http://arxiv.org/abs/2609.10001v2
• Date: Thu, 10 Sep 2026 09:08:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-11 14:47:34.305593
• Title: From Few-Shot Segmentation to Clinician-in-the-Loop Medical Image Analysis
• Title（参考訳）: 医用画像解析から臨床医用画像解析へ
• Authors: Yazhou Zhu,
• Abstract要約: FSMIS (Few-shot Medical Image segmentation) は、未確認構造を小さなサポートセットから切り離そうとしているが、標準的な定式化は推論の前にタスク定義の証拠を修正する。 我々はFSMISを3層連続決定問題として再検討した。 本研究は,6つの仮説を明示的な依存順序で記述し,臨床研究に先立って基礎的自己評価の主張を偽装できる最小限のパイロットを提案する。
• 参考スコア（独自算出の注目度）: 2.055949720959582
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Few-shot medical image segmentation (FSMIS) seeks to delineate unseen structures from a small support set, but its standard formulation fixes task-defining evidence before inference. This assumption is fragile under acquisition shift, atypical pathology, ambiguous boundaries, and poor image quality. Adding clinician interaction and rapid adaptation is not sufficient: the binding constraint is deciding when asking or changing is warranted. We therefore reframe FSMIS as a three-layer sequential decision problem. First, decidable self-assessment separates errors that a bounded intervention can repair from those that no admissible intervention can reach. We formalize this distinction through a correctable set defined by the update operator and remaining interaction budget. Second, selective interaction allocates a distinct expert-attention budget by response-conditioned net expected value of information, yielding explicit accept, query, and defer actions. Third, bounded adaptation emphasizes reversibility and independent safety reassessment rather than speed. A complementary cross-case memory stores reproducible correction priors over failure modes instead of disease-specific mask priors. This structure links sparse support representation, cross-domain robustness, multi-level risk estimation, clinician feedback, and governed experience transfer. We state six hypotheses with an explicit dependency order and propose a minimal pilot that can falsify the foundational self-assessment claim before a clinician study. The central claim is not that interaction resolves domain shift, but that scarce expert attention should be used only when a bounded intervention is expected to reach a clinically better outcome.
• Abstract（参考訳）: FSMIS (Few-shot Medical Image segmentation) は、未確認構造を小さなサポートセットから切り離そうとしているが、標準的な定式化は推論の前にタスク定義の証拠を修正する。 この仮定は、取得シフト、非定型的病理、曖昧な境界、画像品質の低下の下で脆弱である。 臨床医の相互作用と迅速な適応を加えるだけでは十分ではない。 したがって、FSMISを3層連続決定問題として再構成する。 第一に、決定可能な自己評価は、境界付けられた介入が修復できるエラーと許容可能な介入が到達できないエラーを分離する。 我々は、更新演算子と残りの相互作用予算によって定義された修正可能な集合によって、この区別を定式化する。 第2に、選択的なインタラクションは、応答条件付きネット期待値によって、専門家の意図した予算を割り当て、明示的な受け入れ、クエリ、遅延アクションをもたらす。 第三に、有界適応は、速度よりも可逆性と独立した安全性の再評価を強調する。 補完的なクロスケースメモリは、病気固有のマスク先行ではなく、障害モードよりも再現可能な修正先行を記憶する。 この構造は、スパースサポート表現、クロスドメインロバスト性、マルチレベルリスク推定、臨床のフィードバック、管理された経験伝達をリンクする。 本研究は,6つの仮説を明示的な依存順序で記述し,臨床研究に先立って基礎的自己評価の主張を偽装できる最小限のパイロットを提案する。 中心的な主張は、相互作用がドメインシフトを解消するわけではないが、専門家の注意は、境界的介入が臨床的により良い結果に達すると期待される場合にのみ使用されるべきである。

関連論文リスト

• Analyzing and Improving Fine-grained Preference Optimization in Medical LVLMs [53.697403481143404]
  LVLM(Large Vision-Language Models)は、医用画像処理タスクにおいて強力なパフォーマンスを実現している。 しかし、実際の不整合、視力の低下、臨床的に有意義なフィードバックによる不一致が続く傾向にある。
  論文  参考訳（メタデータ） (2026-06-10T18:35:36Z)
• From Static Risk to Dynamic Trajectories: Toward World-Model-Inspired Clinical Prediction [61.12883122613684]
  本稿では, 患者固有の縦断疾患の進展を推定し, 代替治療下での軌跡変化を評価するための, 臨床AIにおける介入認識型疾患軌跡モデリングに焦点をあてる。 3つの意思決定タスク(実測,反実推定,政策評価)と3つのデータ生成機構(障害発生, 治療課題, 観察過程)によって, 識別可能性を決定する。 本稿では,個別/連続時間にまたがる予測,反ファクト的軌跡,政策評価の統一的な枠組みを提案する。
  論文  参考訳（メタデータ） (2026-05-16T10:45:26Z)
• RISED: A Pre-Deployment Safety Evaluation Framework for Clinical AI Decision-Support Systems [0.0]
  本稿では,信頼性,指数性,感度,等価性,展開性に関する5次元事前デプロイ評価を提案する。 RISEDはオープンソースのPythonパッケージとしてリリースされ、既存の臨床AIレポート標準の量的検証を提供する。
  論文  参考訳（メタデータ） (2026-05-13T02:17:13Z)
• AdURA-Net: Adaptive Uncertainty and Region-Aware Network [0.7771558179849474]
  臨床的意思決定においては、モデルが確実な予測を強制されるべきではないため、不確実なラベルがトリッキーな役割を果たす。 本稿では,高信頼胸部疾患分類のための幾何駆動型適応不確実性認識フレームワークAdURA-Netを提案する。
  論文  参考訳（メタデータ） (2026-02-27T08:56:24Z)
• Modeling Expert AI Diagnostic Alignment via Immutable Inference Snapshots [1.0499611180329804]
  初期モデル推論と専門家補正の遷移は、構造化信号としてはほとんど分析されない。 本稿では,AI生成画像に基づくレポートを不変な推論状態として保存する診断アライメントフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-02-26T13:11:58Z)
• AgentsEval: Clinically Faithful Evaluation of Medical Imaging Reports via Multi-Agent Reasoning [73.50200033931148]
  本稿では,放射線科医の協調診断ワークフローをエミュレートしたマルチエージェントストリーム推論フレームワークであるAgensEvalを紹介する。 評価プロセスを基準定義、エビデンス抽出、アライメント、一貫性スコアなどの解釈可能なステップに分割することで、AgensEvalは明確な推論トレースと構造化された臨床フィードバックを提供する。 実験結果から,AgensEvalは,言い換え,意味的,スタイリスティックな摂動の下でも頑健な臨床的整合性,意味的忠実性,解釈可能な評価を提供することが示された。
  論文  参考訳（メタデータ） (2026-01-23T11:59:13Z)
• Clinically Grounded Agent-based Report Evaluation: An Interpretable Metric for Radiology Report Generation [32.410641778559544]
  ICARE (Interpretable and Clinicallygrounded Agent-based Report Evaluation) は、解釈可能な評価フレームワークである。 2つのエージェントは、それぞれが基礎的真実または生成されたレポートを持ち、臨床的に有意義な質問を発生し、互いにクイズする。 スコアを質問応答ペアにリンクすることで、ICAREは透明で解釈可能な評価を可能にする。
  論文  参考訳（メタデータ） (2025-08-04T18:28:03Z)
• 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)
• Interactive Medical Image Segmentation with Self-Adaptive Confidence Calibration [10.297081695050457]
  本稿では,自己適応信頼度校正(MECCA)を用いた対話型メダカルセグメンテーションという対話型セグメンテーションフレームワークを提案する。 新規な行動に基づく信頼ネットワークを通じて評価を確立し、MARLから補正動作を得る。 種々の医用画像データセットに対する実験結果から,提案アルゴリズムの有意な性能が示された。
  論文  参考訳（メタデータ） (2021-11-15T12:38:56Z)

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。