論文の概要: Masked Privileged-Information Distillation for Multimodal Skin Lesion Classification Under Missing Clinical Metadata

• arxiv url: http://arxiv.org/abs/2610.03991v1
• Date: Fri, 02 Oct 2026 19:54:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-12 21:08:18.484007
• Title: Masked Privileged-Information Distillation for Multimodal Skin Lesion Classification Under Missing Clinical Metadata
• Title（参考訳）: マルチモーダル皮膚病変分類におけるマスケプドプリビレグドインフォメーションの有用性
• Abstract要約: マルチモーダル皮膚病変分類は、臨床画像と患者のメタデータを組み合わせて診断精度を向上させる。 完全メタデータを訓練したマルチモーダル教師が、ランダムにマスキングされた臨床現場で訓練した9.2倍の学生を監督する特権情報蒸留フレームワークを提案する。 結果として生じるコンパクトなモデルは、臨床メタデータが不完全であることが多い、ポイント・オブ・ケアの設定をターゲットにしている。
• 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: Multimodal skin lesion classification combines clinical images with patient metadata to improve diagnostic accuracy. However, complete metadata available during training may be only partially accessible at deployment, and resource-constrained settings additionally require computational efficiency. We address these challenges with a privileged-information distillation framework in which a multimodal teacher trained on complete metadata supervises a 9.2x smaller student trained with randomly masked clinical fields. Clinical fields are masked as whole groups at a per-sample rate drawn from U(0,1), so one training run covers the full metadata availability range. Fusion is residual, with metadata added as a gated correction to an unconditional image base. On the PAD-UFES-20 dataset, distillation under masked training improves balanced accuracy over cross-entropy training at every availability level, by an average of +4.7 points versus +1.8 points without masking. The masked student loses only 7.8 balanced-accuracy points as metadata decreases from complete to absent, compared with 36.6 points for the same student trained on complete metadata, highlighting the role of masked training in graceful degradation beyond distillation alone. Grad-CAM visualizations further show that the masked student's attention generally remains lesion-centered as metadata is withdrawn. The resulting compact model targets point-of-care settings, where clinical metadata is often incomplete.
• Abstract（参考訳）: マルチモーダル皮膚病変分類は、臨床画像と患者のメタデータを組み合わせて診断精度を向上させる。 しかし、トレーニング中に利用可能な完全なメタデータは、デプロイ時にのみアクセス可能であり、リソース制限された設定には計算効率も必要である。 これらの課題に対処するため, マルチモーダル教師が完全メタデータを訓練し, ランダムにマスキングされた臨床現場で訓練した9.2倍の学生を監督する, 特権情報蒸留の枠組みを編み出した。 臨床現場は、U(0,1)から引き出されたサンプル単位の頻度でグループ全体でマスクされるので、1回のトレーニングは、メタデータの可用性範囲を完全にカバーしている。 融合は残っており、メタデータは非条件の画像ベースへのゲート補正として追加される。 PAD-UFES-20データセットでは、マスク付きトレーニングによる蒸留により、すべてのアベイラビリティレベルでのクロスエントロピートレーニングよりも平均+4.7ポイント、+1.8ポイントのバランスの取れた精度が向上する。 仮面の学生は、メタデータが完全から欠落へと減少するにつれて、バランスの取れた精度が7.8ポイントしか失われないのに対し、完全メタデータで訓練された同じ学生の36.6ポイントは、蒸留以外の優雅な劣化における仮面の訓練の役割を強調している。 グラッド-CAMの可視化は、一般的に、メタデータが取り除かれるにつれて、マスクされた学生の注意が病変中心のままであることを示している。 結果として生じるコンパクトなモデルは、臨床メタデータが不完全であることが多い、ポイント・オブ・ケアの設定をターゲットにしている。

関連論文リスト

• Beyond Scalar Scores: Exploring LLM-based Metrics for Clinical Significance Evaluation in Radiology Reports [49.5225801722164]
  既存のメトリクスは、医学的に根拠のないスカラーにレポートの品質を低下させることによって、この要件を曖昧にしている。 テストベッドとしてReEvalMedベンチマークを用いて,この境界について検討し,計量レベルの臨床的意義を評価する。
  論文  参考訳（メタデータ） (2026-06-17T08:10:30Z)
• A Multimodal Deep Learning Framework for Edema Classification Using HCT and Clinical Data [3.574478076591457]
  AttentionMixerは、脳浮腫を検出するための統合されたディープラーニングフレームワークである。 構造頭部CT(HCT)と定期的な臨床メタデータを併用する。 AttentionMixerは高性能(精度87.32%、精度92.10%、F1スコア85.37%、AUC94.14%)を実現している。
  論文  参考訳（メタデータ） (2026-03-20T03:28:49Z)
• Masked Autoencoder Joint Learning for Robust Spitzoid Tumor Classification [1.0460767965764985]
  ReMACはReMaskerの拡張であり、完全かつ不完全な条件下での高次元データの分類タスクに取り組むように設計されている。 ReMACは、スピッツイド腫瘍の層状化における競合する分類法と比較して、強力で堅牢な性能を達成する。
  論文  参考訳（メタデータ） (2025-11-24T09:54:14Z)
• Self-distilled Masked Attention guided masked image modeling with noise Regularized Teacher (SMART) for medical image analysis [6.712251433139412]
  注意誘導型マスク画像モデリング(MIM)を用いた事前学習型視覚変換器(ViT)は、自然画像解析において下流の精度を向上することを示した。 我々は,MIMの選択的マスキングを誘導するために,雑音の多い運動量更新教師を組み合わせた共蒸留スウィントランスを開発した。
  論文  参考訳（メタデータ） (2023-10-02T13:53:55Z)
• ArSDM: Colonoscopy Images Synthesis with Adaptive Refinement Semantic Diffusion Models [69.9178140563928]
  大腸内視鏡検査は臨床診断や治療に不可欠である。 注釈付きデータの不足は、既存の手法の有効性と一般化を制限する。 本稿では, 下流作業に有用な大腸内視鏡画像を生成するために, 適応Refinement Semantic Diffusion Model (ArSDM)を提案する。
  論文  参考訳（メタデータ） (2023-09-03T07:55:46Z)
• Improving Multiple Sclerosis Lesion Segmentation Across Clinical Sites: A Federated Learning Approach with Noise-Resilient Training [75.40980802817349]
  深層学習モデルは、自動的にMS病変を分節する約束を示しているが、正確な注釈付きデータの不足は、この分野の進歩を妨げている。 我々は,MS病変の不均衡分布とファジィ境界を考慮したDecoupled Hard Label Correction(DHLC)戦略を導入する。 また,集約型中央モデルを利用したCELC(Centrally Enhanced Label Correction)戦略も導入した。
  論文  参考訳（メタデータ） (2023-08-31T00:36:10Z)
• An End-to-End Framework For Universal Lesion Detection With Missing Annotations [24.902835211573628]
  そこで本研究では,検出器を同時に訓練しながら,ラベルのない病変をマイニングするための新しいエンドツーエンドフレームワークを提案する。 本研究の枠組みは,高信頼度予測と,学生モデル学習のための部分的にラベル付けされた基礎的真理が組み合わさっている。
  論文  参考訳（メタデータ） (2023-03-27T09:16:10Z)
• Selective classification using a robust meta-learning approach [28.460912135533988]
  本稿では,補助ネットワークを用いて予測不確実性を捉えるインスタンス条件の再重み付け手法を提案する。 制御された実験において、このメタオブジェクトを通して様々な不確実性の概念を効果的に捉えていることを示す。 糖尿病網膜症では、最大3.4%/3.3%の精度でSOTAを上回り、選択的分類ではAUCが上昇する。
  論文  参考訳（メタデータ） (2022-12-12T15:45:23Z)
• Dynamic Bank Learning for Semi-supervised Federated Image Diagnosis with Class Imbalance [65.61909544178603]
  クラス不均衡半教師付きFL(imFed-Semi)の実用的かつ困難な問題について検討する。 このImFed-Semi問題は、クラス比例情報を利用してクライアントトレーニングを改善する新しい動的銀行学習方式によって解決される。 25,000個のCTスライスによる頭蓋内出血診断と10,015個の皮膚内視鏡画像による皮膚病変診断の2つの公開実世界の医療データセットに対するアプローチを評価した。
  論文  参考訳（メタデータ） (2022-06-27T06:51:48Z)
• Self-Supervised Learning as a Means To Reduce the Need for Labeled Data in Medical Image Analysis [64.4093648042484]
  胸部X線画像のデータセットとバウンディングボックスラベルを用いて,13種類の異常の分類を行った。 ラベル付きデータの平均精度と精度を60%に抑えることで,完全教師付きモデルと同等の性能が得られることを示す。
  論文  参考訳（メタデータ） (2022-06-01T09:20:30Z)
• Multi-label Thoracic Disease Image Classification with Cross-Attention Networks [65.37531731899837]
  胸部X線画像から胸部疾患を自動分類するためのCAN(Cross-Attention Networks)を提案する。 また,クロスエントロピー損失を超える新たな損失関数を設計し,クラス間の不均衡を克服する。
  論文  参考訳（メタデータ） (2020-07-21T14:37:00Z)

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。