Fugu-MT 論文翻訳(概要): TAM-Chain: Multi-Scale Thyroid Cytology Classification via Absorbing Markov Chains and Shannon Entropy Uncertainty Quantification for False-Negative Suppression and Domain-Shift Adaptation

論文の概要: TAM-Chain: Multi-Scale Thyroid Cytology Classification via Absorbing Markov Chains and Shannon Entropy Uncertainty Quantification for False-Negative Suppression and Domain-Shift Adaptation

arxiv url: http://arxiv.org/abs/2609.28590v1
Date: Wed, 23 Sep 2026 14:58:01 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-25 21:10:09.427747
Title: TAM-Chain: Multi-Scale Thyroid Cytology Classification via Absorbing Markov Chains and Shannon Entropy Uncertainty Quantification for False-Negative Suppression and Domain-Shift Adaptation
Title（参考訳）: TAM-Chain:False-Negative Suppression and Domain-Shift AdaptationのためのMarkov ChainとShannon Entropy Uncertainty Quantificationによるマルチスケール甲状腺細胞分類
Abstract要約: 深層学習アプローチは、臨床領域シフトの下で高い偽陰性率と過信に関して重大な課題に直面します。マルチスケール (10x, 20x, 40x) の甲状腺分類フレームワークである TAM-Chain を提案する。フレームワークは、吸収調和プロセスとして多重化特徴抽出を動的にモデル化する。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Background & Problem: Thyroid Fine-Needle Aspiration Biopsy (FNAB) cytology based on the Bethesda System plays a pivotal role in early thyroid cancer detection; however, deep learning approaches face substantial challenges regarding high false-negative rates and overconfidence under clinical domain shift. Methods: In this study, we propose TAM-Chain, a multi-scale (10x, 20x, 40x) thyroid cytology classification framework leveraging Absorbing Markov Chain theory combined with Shannon Entropy-based Uncertainty Quantification. The framework dynamically models multi-magnification feature extraction as an absorbing stochastic process, enabling optimal stopping criteria and a human-in-the-loop referral mechanism to strictly suppress critical diagnostic errors. Results: Extensive evaluation on an internal test set (N = 235) demonstrates a Macro F1 score of 0.9741 with an absolute False-Negative Rate (FNR) of 0.00%. On an independent external validation set (N = 1015) presenting severe domain shift, TAM-Chain maintains superior stability and classification performance (Macro F1 = 0.7026) by adaptively adjusting the expected stopping step and triggering specialist referrals, significantly outperforming single-magnification baselines. Conclusion: The TAM-Chain framework proves to be a highly effective, safe, and adaptable solution for digital pathology workflows, successfully harmonizing automated diagnostic efficiency with stringent biological safety.
Abstract（参考訳）: 背景と問題点: ベセスダ系に基づく甲状腺細腎吸引生検(FNAB)細胞診は早期甲状腺がんの検出において重要な役割を担っているが、深層学習アプローチは臨床領域シフトによる偽陰性率と過信性に関して重大な課題に直面している。方法:本研究では,Shannon Entropyに基づく不確実性定量と吸収マルコフ連鎖理論を併用したマルチスケール(10x,20x,40x)甲状腺細胞診分類フレームワークであるTAM-Chainを提案する。このフレームワークは、マルチ画像特徴抽出を吸収確率過程として動的にモデル化し、最適な停止基準と、臨界診断エラーを厳格に抑制する人為的参照機構を実現する。結果: 内部試験セット (N = 235) において, 絶対偽陰性率0.00%のマクロF1スコア0.9741を示した。厳しいドメインシフトを示す独立した外部検証セット(N = 1015)では、TAM-Chainは、期待される停止ステップを適応的に調整し、スペシャリスト参照をトリガーすることにより、優れた安定性と分類性能(マクロF1 = 0.7026)を維持し、単磁化ベースラインを著しく上回る。結論: TAM-Chainフレームワークは、デジタル病理ワークフローにとって非常に効果的で、安全で、適応可能なソリューションであることが証明され、自動化診断効率と厳格な生物学的安全性を調和させることに成功した。

関連論文リスト

Beyond Prompt: Fine-grained Simulation of Cognitively Impaired Standardized Patients via Stochastic Steering [58.85421622061983]
認知障害患者の微粒化シミュレーションのためのStsPatientを提案する。対照的な命令と応答のペアからステアリングベクトルを抽出することにより、ドメイン固有の特徴を捉える。 StsPatientは、臨床の信頼性と重症度の両方において、ベースラインを著しく上回る。
論文参考訳（メタデータ） (2026-04-14T02:37:46Z)
Suppressing Prior-Comparison Hallucinations in Radiology Report Generation via Semantically Decoupled Latent Steering [94.37535002230504]
本研究では,Semantically Decoupled Latent Steeringと呼ばれる学習自由な推論時間制御フレームワークを開発した。提案手法は,大言語モデル (LLM) による意味分解による意味のない介入ベクトルを構築する。本手法は歴史的幻覚の可能性を著しく低下させることを示す。
論文参考訳（メタデータ） (2026-02-27T04:49:01Z)
Aortic Valve Disease Detection from PPG via Physiology-Informed Self-Supervised Learning [14.821698474716504]
光胸腺造影は大動脈弁疾患のスクリーニング法として期待されている。金標準ラベル付きPSGデータの極端な不足は、データ駆動アプローチの有効性を厳しく制限する。我々は,大規模無ラベルPSGデータの価値を解放することを目的とした,新たなパラダイムであるPhysological-Guided Self-Supervised Learning (PG-SSL)を提案し,検証する。
論文参考訳（メタデータ） (2026-02-04T06:56:50Z)
CytoDINO: Risk-Aware and Biologically-Informed Adaptation of DINOv3 for Bone Marrow Cytomorphology [0.0]
我々はミュンヘン白血病研究所のデータセット上で最先端のパフォーマンスを実現するフレームワークであるCytoDINOを紹介した。私たちの主な貢献は、細胞間の生物学的な関係をコード化し、臨床的に危険な誤分類を明示的に罰する、ヒエララルカル・フーカル・ロス・ウィット・クリティカル・ペナルティ(Hierarchical Focal Loss with critical penalties)である。 CytoDINOは21種類のテストセットで88.2%の重み付きF1スコアと76.5%のマクロF1を達成している。
論文参考訳（メタデータ） (2025-12-09T23:09:22Z)
LGE-Guided Cross-Modality Contrastive Learning for Gadolinium-Free Cardiomyopathy Screening in Cine CMR [51.11296719862485]
CMRを用いたガドリニウムフリー心筋症スクリーニングのためのコントラシブラーニングおよびクロスモーダルアライメントフレームワークを提案する。 CMRとLate Gadolinium Enhancement (LGE) 配列の潜伏空間を整列させることにより, 本モデルでは線維症特異的な病理組織をCMR埋め込みにエンコードする。
論文参考訳（メタデータ） (2025-08-23T07:21:23Z)
Organ-Agents: Virtual Human Physiology Simulator via LLMs [66.40796430669158]
オルガン-エージェント(Organ-Agents)は、LDM駆動のエージェントを介して人間の生理学をシミュレートする多エージェントフレームワークである。症例は7,134例,コントロール7,895例で,9系統および125変数にわたる高分解能トラジェクトリを作成した。臓器抗原は4,509人の保留患者に対して高いシミュレーション精度を達成し, システムごとのMSE0.16とSOFA系重症度層間の堅牢性を示した。
論文参考訳（メタデータ） (2025-08-20T01:58:45Z)
Microelectrode Signal Dynamics as Biomarkers of Subthalamic Nucleus Entry on Deep Brain Stimulation: A Nonlinear Feature Approach [0.0]
本稿では、非線形力学とエントロピーに基づくメトリクスを利用して、STN内外から記録された神経活動の分類を行うフレームワークを提案する。本研究は,DBS手術中におけるリアルタイム・データ駆動意思決定支援における非線形・エントロピー信号記述子の可能性を明らかにするものである。
論文参考訳（メタデータ） (2025-06-14T23:23:26Z)
Diagnosis for Less-Prevalent Thyroid Carcinoma Subtype Using a Dual-Branch Attention Deep Network with Ultrasound Images [5.558034869630433]
非均一な形態的特徴とデータ不均衡は、超音波画像を用いたまれな甲状腺癌の分類において重要な課題である。本稿では,マルチタスク学習フレームワークであるChannel-Spatial Attention Synergy Network (CSASN)を提案する。
論文参考訳（メタデータ） (2025-05-04T18:23:03Z)
Diagnosis of Malignant Lymphoma Cancer Using Hybrid Optimized Techniques Based on Dense Neural Networks [0.0]
本研究では,特徴抽出のためのDenseNet201と分類のためのニューラルネットワーク(DNN)を組み合わせた新しいハイブリッドディープラーニングフレームワークを提案する。提案手法は99.33%の精度を達成し,精度とモデル解釈性の両方を著しく改善した。
論文参考訳（メタデータ） (2024-10-09T15:12:35Z)
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)

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。