論文の概要: HemaHier: Chain-Conditioned Ordinal Hierarchies for Lineage-Aware Bone-Marrow Cytology

• arxiv url: http://arxiv.org/abs/2609.12835v1
• Date: Fri, 11 Sep 2026 13:30:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-15 07:38:31.760532
• Title: HemaHier: Chain-Conditioned Ordinal Hierarchies for Lineage-Aware Bone-Marrow Cytology
• Title（参考訳）: HemaHier:リニアジ対応骨肉腫細胞診における鎖結合型規則的階層
• Abstract要約: HemaHierは、凍結または軽量に適応した細胞基盤モデルのための順序的階層的予測ヘッドである。 その中心的なコンポーネントはチェーン条件の成熟度スコアであり、チェーン毎のクエリで単一の成熟度値を読み取る。 3つの骨マローデータセット上で、HemaHierは、生物学的に深刻なエラーを減らしながら、競争力のある認識を達成する。
• 参考スコア（独自算出の注目度）: 2.081371290362179
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Bone-marrow cytology is inherently structured: each cell belongs to a hematopoietic lineage, and many cell types lie on ordered maturation trajectories. Standard flat classifiers ignore this structure, treating a mild same-lineage confusion the same as a severe cross-lineage mistake and predicting only discrete labels. We propose HemaHier, an ordinal-hierarchical prediction head for a frozen or lightly adapted cytology foundation model. Its central component is a chain-conditioned maturity score that reads a single maturity value under a per-chain query, supervised only on biologically valid healthy chains, while dysplastic and off-chain cell types remain classes but are excluded from maturity supervision. Fine and lineage predictions are coupled through a shared posterior that guarantees hierarchical consistency, and a staged objective first stabilizes recognition, then adds lineage and maturity supervision. On three bone-marrow datasets under a shared ontology, HemaHier achieves competitive recognition while reducing biologically severe errors and adding a within-lineage maturity ordering that flat classifiers lack. Code is available at https://github.com/xmindflow/HemaHier.
• Abstract（参考訳）: 各細胞は造血系に属し、多くの細胞は順に成熟する軌道上にある。 標準フラット分類器はこの構造を無視し、軽度な同線混同を重大な横線誤りと同じ扱い、離散ラベルのみを予測する。 凍結あるいは光に適応した細胞学基盤モデルのための順序-階層型予測ヘッドであるHemaHierを提案する。 その中心的な構成要素は鎖条件の成熟度スコアであり、鎖ごとのクエリで単一の成熟度値を読み出し、生物学的に有効な健全な連鎖にのみ監督される。 微細で系統的な予測は階層的な一貫性を保証する共有後部を通して結合され、段階的な目的はまず認識を安定化させ、その後に系統と成熟度を監督する。 共有オントロジーの下の3つの骨マローデータセットでは、HemaHierは生物学的に深刻なエラーを減らし、フラットな分類器が欠如しているようにライン内の成熟度を追加することで、競争的な認識を達成する。 コードはhttps://github.com/xmindflow/HemaHier.comで入手できる。

関連論文リスト

• Clinically-Grounded Hierarchical Classification for Consistent Chest X-ray Interpretation [8.409132986888627]
  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。
  論文  参考訳（メタデータ） (2026-08-04T01:59:12Z)
• 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)
• The role of class encoding in neural collapse [0.0]
  平均二乗誤差トレーニング損失を持つ非制限特徴モデルに頼って, 神経崩壊におけるラベル符号化の役割を考察する。 本研究では, 1ホット符号化ラベルと平衡データに対して, 各クラス係数に付随する非中心的平均的特徴が, 単純な正方形から等方形正方形正方形への遷移を示す。 任意のエンコーディングに対して、最終分類器のバイアスはラベルの中央に集中することを目的としており、ラベルのグローバル平均と原点との相違を補うことも示している。
  論文  参考訳（メタデータ） (2026-05-29T20:34:07Z)
• A General Bézier Tree Encoding Counterfactual Framework for Retinal-Vessel-Mediated Disease Analysis [6.50096341869529]
  網膜血管の形状は血管疾患の重要なバイオマーカーである。 BTECF(Bézier Tree Generative counterfactual Framework)を提案する。 BTECFは、全身疾患にまたがる仮説検証のための統一的な生成パラダイムを提供する。
  論文  参考訳（メタデータ） (2026-05-13T05:10:20Z)
• 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)
• MAT-Cell: A Multi-Agent Tree-Structured Reasoning Framework for Batch-Level Single-Cell Annotation [81.82645086402366]
  MAT-Cellは,単細胞解析を構築的で検証可能な証明生成に再構成する,ニューロシンボリック推論フレームワークである。 MAT-Cellは、適応型レトリーバル増強生成(RAG)を通じて、生物学的公理の基底神経推論に象徴的な制約を注入し、転写ノイズを減少させる。 最先端のSOTA(State-of-the-art)モデルを大幅に上回り、挑戦的なシナリオにおいて堅牢なパフォーマンスを維持します。
  論文  参考訳（メタデータ） (2026-04-07T04:56:06Z)
• Generative Classifiers Avoid Shortcut Solutions [84.23247217037134]
  分類に対する差別的なアプローチは、しばしば、分配されるが、小さな分布シフトの下で失敗するショートカットを学習する。 生成型分類器は、主にスパイラルな特徴ではなく、コアとスパイラルの両方の全ての特徴をモデル化することでこの問題を回避することができることを示す。 拡散型および自己回帰型生成型分類器は,5つの標準画像およびテキスト分散シフトベンチマークにおいて最先端の性能を実現する。
  論文  参考訳（メタデータ） (2025-12-31T18:31:46Z)
• 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)
• The Topology-Overlap Trade-Off in Retinal Arteriole-Venule Segmentation [0.0]
  畳み込みニューラルネットワークは 予測と専門家のアノテーションの 高い重複を達成できる オーバーラップの観点から,本モデルが最先端技術と同等の結果を得られることを示す。
  論文  参考訳（メタデータ） (2023-03-31T13:01:05Z)
• Learning to diagnose cirrhosis from radiological and histological labels with joint self and weakly-supervised pretraining strategies [62.840338941861134]
  そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。 我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。 この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
  論文  参考訳（メタデータ） (2023-02-16T17:06:23Z)
• Transductive Linear Probing: A Novel Framework for Few-Shot Node Classification [56.17097897754628]
  自己教師付きグラフと対照的な事前学習による帰納的線形探索は、同じプロトコル下での最先端の完全教師付きメタラーニング手法より優れていることを示す。 この研究が、数ショットのノード分類問題に新たな光を当て、グラフ上のわずかにラベル付けされたインスタンスから学ぶことの今後の研究を促進することを願っている。
  論文  参考訳（メタデータ） (2022-12-11T21:10:34Z)

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。