論文の概要: Generalized Biomedicine Discovery

• arxiv url: http://arxiv.org/abs/2610.00120v1
• Date: Wed, 09 Sep 2026 14:09:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-05 14:48:16.376113
• Title: Generalized Biomedicine Discovery
• Title（参考訳）: 一般バイオメディシン発見
• Abstract要約: 一般バイオメディシンディスカバリー(GBD)と、長い尾、異常、分類学的認識の発見にまたがる統一ベンチマークを導入する。 我々の重要な洞察は、支配的な既知のパターンが微妙なノベルティを隠蔽する視覚多様体を形成することである。 予測された規範のフィルタリングに予測的抑制を適用し、予期せぬ偏差を強調させるようなサリエンスを誘発し、これらのシフトをグローバルな表現に統合するための補完的な調節を行う。
• 参考スコア（独自算出の注目度）: 16.795671550784384
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In real-world clinical practice, medical images face open-world shifts: (i) long-tailed rare diseases, (ii) subtle lesions dominated by normal anatomy, and (iii) hierarchical taxonomies. Yet most open-world paradigms assume flat, balanced label spaces, leaving these biomedical demands unresolved. We introduce Generalized Biomedicine Discovery (GBD) and a unified benchmark spanning long-tail, anomaly, and taxonomy-aware discovery. Our key insight is that dominant known patterns form a visual manifold that masks subtle novelty. Inspired by expert diagnosis, we propose SCAN (Surprise-evoked Complementary AccommodatioN), which follows a cognition-inspired perceptual progression: it applies predictive suppression to filter expected norms, triggers surprise-evoked salience to highlight unexpected deviations, and performs complementary accommodation to integrate these shifts into global representations. Extensive experiments show that SCAN improves novel concept discovery while generally preserving established clinical knowledge, and it plugs into existing architectures to better navigate the known-unknown trade-off in medical imaging. Code is available at https://github.com/lytang63/generalized-biomedicine-discovery.
• Abstract（参考訳）: 実際の臨床実践では、医療画像はオープンワールドシフトに直面します。 a long‐tailed rare disease―a long-tailed rare disease 二 正常な解剖に支配される微妙な病変、及び (三)階層分類 しかし、ほとんどのオープンワールドパラダイムは、平らでバランスの取れたラベル空間を前提としており、これらのバイオメディカルな要求は未解決のままである。 一般バイオメディシンディスカバリー(GBD)と、長い尾、異常、分類学的認識の発見にまたがる統一ベンチマークを導入する。 我々の重要な洞察は、支配的な既知のパターンが微妙なノベルティを隠蔽する視覚多様体を形成することである。 専門家の診断にインスパイアされたSCAN(Surprise-evoked Complementary AccommodatioN)を提案する。これは認知にインスパイアされた知覚の進行を反映し、予測されたノルムをフィルタリングし、予期せぬ偏差をハイライトするために驚きのサリエンスをトリガーし、これらのシフトをグローバル表現に統合するための補完的な調節を行う。 広範囲にわたる実験により、SCANは確立された臨床知識を維持しながら、新しい概念発見を改善し、既存のアーキテクチャに接続して、医用画像における未知のトレードオフをより良くナビゲートすることを示した。 コードはhttps://github.com/lytang63/ generalized-biomedicine-discoveryで公開されている。

関連論文リスト

• Deep Expert Injection for Anchoring Retinal VLMs with Domain-Specific Knowledge [66.67024684187915]
  LVLM(Large Vision Language Models)は、眼科における自動診断の可能性を秘めている。 彼らの臨床展開は、ドメイン固有の知識の欠如によって著しく妨げられている。 EyExInは、Deep Expert Injectionメカニズムを通じて専門知識で網膜VLMを固定するように設計されたフレームワークである。
  論文  参考訳（メタデータ） (2026-03-07T09:43:49Z)
• Towards Accurate and Interpretable Neuroblastoma Diagnosis via Contrastive Multi-scale Pathological Image Analysis [16.268045905735818]
  病理画像分類に適したコントラスト学習に基づくマルチスケール機能融合モデルであるCMSwinKANを提案する。 マルチスケールの特徴を融合させ、対照的な学習戦略を活用することで、CMSwinKANは臨床医の包括的なアプローチを模倣する。 その結果、CMSwinKANは、既存の最先端の病理モデルよりも、大規模なデータセットで事前訓練されたモデルよりもパフォーマンスがよいことが示された。
  論文  参考訳（メタデータ） (2025-04-18T15:39:46Z)
• A Textbook Remedy for Domain Shifts: Knowledge Priors for Medical Image Analysis [48.84443450990355]
  ディープネットワークは、医学的なスキャンに適用すると、例外のない状況で失敗することが多いため、自然画像の解析において広く成功している。 胸部X線や皮膚病変画像の文脈において、異なる病院から採取したデータや、性別、人種などの人口統計学的変数によって構築されたデータなど、ドメインシフトに対するモデル感度に焦点をあてる。 医学教育からインスピレーションを得て,自然言語で伝達される明示的な医学知識を基盤としたディープネットワークを提案する。
  論文  参考訳（メタデータ） (2024-05-23T17:55:02Z)
• Reversing the Abnormal: Pseudo-Healthy Generative Networks for Anomaly Detection [8.737589725372398]
  PHANES(Pseudo Healthy Generative Network for Anomaly)と呼ばれる新しい教師なしアプローチを導入する。 本手法は, 異常を回復し, 健康な組織を保存し, 異常領域を偽の健康再建に置き換える機能を有する。 我々は、T1w脳MRIデータセットの脳梗塞検出におけるPHANESの有効性を実証し、最先端(SOTA)法よりも大幅に改善したことを示す。
  論文  参考訳（メタデータ） (2023-03-15T08:54:20Z)
• From Labels to Priors in Capsule Endoscopy: A Prior Guided Approach for Improving Generalization with Few Labels [4.9136996406481135]
  我々は、より堅牢で一般化可能な表現を学習するために、より自由なドメイン知識を事前として使用することを提案する。 ラベルの代理として振る舞うことによって、ドメインの優先順位が表現の恩恵を受けることを実験的に示す。 我々の手法はドメインの最先端技術よりも優れている(もしくはギャップを埋める)。
  論文  参考訳（メタデータ） (2022-06-10T12:35:49Z)
• Few-shot Medical Image Segmentation using a Global Correlation Network with Discriminative Embedding [60.89561661441736]
  医療画像分割のための新しい手法を提案する。 深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。 深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
  論文  参考訳（メタデータ） (2020-12-10T04:01:07Z)
• Domain Generalization for Medical Imaging Classification with Linear-Dependency Regularization [59.5104563755095]
  本稿では,医用画像分類分野におけるディープニューラルネットワークの一般化能力向上のための,シンプルだが効果的なアプローチを提案する。 医用画像の領域変数がある程度コンパクトであることに感銘を受けて,変分符号化による代表的特徴空間の学習を提案する。
  論文  参考訳（メタデータ） (2020-09-27T12:30:30Z)

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。