論文の概要: MedCORE: Criteria-Grounded Clinical Reasoning for Interpretable Medical Image Diagnosis

• arxiv url: http://arxiv.org/abs/2610.08528v1
• Date: Tue, 06 Oct 2026 15:23:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:30.079376
• Title: MedCORE: Criteria-Grounded Clinical Reasoning for Interpretable Medical Image Diagnosis
• Title（参考訳）: MedCORE:医療画像診断のための基準付き臨床推論
• Abstract要約: 我々は,視覚言語アーキテクチャ内で臨床推論を運用する構造化診断フレームワークであるMedCOREを提案する。 それぞれの入力画像に対して、MedCOREは診断プロセスを臨床的に定義された基準に分解し、各基準を診断関連画像領域に空間的ローカライズする。 各入力画像に対して、MedCOREは、マクロ構造的およびマイクロテクスチャ的病理特性をキャプチャするマルチスケール表現を通じて証拠を符号化する。
• 参考スコア（独自算出の注目度）: 12.090869398852286
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Clinical diagnosis is inherently a structured reasoning process, yet existing deep learning models often bypass this structure by mapping image features directly to disease labels without explicitly interrogating the morphological and textural criteria that clinicians systematically evaluate. This limits diagnostic transparency and may compromise safe clinical deployment. We present MedCORE (Medical Criteria-Oriented Reasoning and Evidence), a structured diagnostic framework that operationalizes clinical reasoning within a vision-language architecture. For each input image, MedCORE decomposes the diagnostic process into clinically defined criteria, spatially localizes each criterion to diagnostically relevant image regions, encodes evidence through multi-scale representations that capture macro-structural and micro-textural pathological characteristics, and refines criterion representations using a Graph Attention Network that explicitly models inter-criteria dependencies. Criterion representations are further aligned with clinical text descriptors, reinforced through class-wise visual prototypes, and aggregated using uncertainty-calibrated weighting that proportionally discounts low-confidence diagnostic evidence. MedCORE is validated across three clinically heterogeneous imaging modalities, including dermoscopic lesion classification on ISIC 2018, breast ultrasound lesion characterization on BUSI, and diabetic retinopathy grading on IDRiD. Quantitatively, MedCORE achieves 89.2% accuracy, 85.7% macro-F1, and 96.4% AUC on ISIC 2018; 96.1% accuracy, 95.2% macro-F1, and 98.4% AUC on BUSI; and 84.3% accuracy, 80.2% macro-F1, and 92.8% AUC on IDRiD. These results demonstrate consistent improvements over strong CNN, transformer, biomedical vision-language, concept-based, and prototype-based baselines.
• Abstract（参考訳）: 臨床診断は本質的には構造的推論プロセスであるが、既存のディープラーニングモデルは、画像の特徴を直接疾患ラベルにマッピングすることで、臨床医が体系的に評価する形態的およびテクスチャ的基準を明示的に疑うことなく、この構造をバイパスすることが多い。 これにより、診断の透明性が制限され、安全な臨床展開が損なわれる可能性がある。 MedCORE (Medical Criteria-Oriented Reasoning and Evidence) は、視覚言語アーキテクチャ内で臨床推論を運用する構造化診断フレームワークである。 MedCOREは、診断プロセスを臨床的に定義された基準に分解し、診断に関連のある画像領域にそれぞれの基準を空間的にローカライズし、マクロ構造的およびマイクロテクスチャ的特徴を捉えたマルチスケールの表現を通じて証拠を符号化し、基準間の依存関係を明示的にモデル化するグラフアテンションネットワークを用いて基準表現を洗練する。 基準表現はさらに、臨床テキスト記述子と一致し、クラスワイドの視覚プロトタイプを通して強化され、低信頼の診断証拠を比例的に割引する不確実性の校正重み付けを用いて集約される。 MedCOREは、ISIC 2018の皮膚内視鏡的病変分類、BUSIによる乳房病変の評価、IDRiDによる糖尿病網膜症を含む、臨床的に不均一な3つの画像モダリティで検証されている。 MedCOREはISIC 2018で89.2%の精度、85.7%のマクロF1、96.4%のAUC、96.1%の精度、95.2%のマクロF1、98.4%のAUC、84.3%の精度、80.2%のマクロF1、92.8%のAUCを達成している。 これらの結果は、強力なCNN、トランスフォーマー、バイオメディカルビジョン言語、コンセプトベース、プロトタイプベースラインに対する一貫した改善を示している。

関連論文リスト

• Evaluating Multi-Turn Multimodal Diagnostic Reasoning on Challenging Real-World Clinical Cases [59.5328455571863]
  ClinMM-Benchは、これまでで最大のマルチターンマルチモーダル臨床診断評価ベンチマークである。 実際の患者は1,089件、医療画像は3,760件、専門は8件。 プロプライエタリモデルでは診断精度が最も高かったが、正確な診断の割合は限られていた。
  論文  参考訳（メタデータ） (2026-07-28T16:19:03Z)
• Towards Clinically Interpretable Ophthalmic VQA via Spatially-Grounded Lesion Evidence [51.57735743553791]
  今回我々はFundusGroundを紹介した。これは臨床的に解釈可能な眼科用VQAの空間的根拠を用いた新しいベンチマークである。 この構造された病変の証拠に基づいて、72,706の質問が4つのフォーマットにまたがって生成される。 実験により、病変レベルの視覚的エビデンスを組み込むことで、モデルの性能と透明性が一貫して向上することが示された。
  論文  参考訳（メタデータ） (2026-05-21T12:37:03Z)
• Multimodal Fusion of Histopathology Images and Electronic Health Records for Early Breast Cancer Diagnosis [15.70912899013153]
  本稿では, パッチレベルの病理組織学的特徴を構造化された臨床データと統合する体系的枠組みを提案する。 単相画像モデル(単純なCNNベースラインと転送学習を備えたResNet-18)と中間融合モデル(XGBoostと多層パーセプトロン)を訓練し評価する。 以上の結果から,マルチモーダル統合は,予測性能と臨床透明性の両方において有意義な改善をもたらすことが示された。
  論文  参考訳（メタデータ） (2026-04-18T19:46:34Z)
• Clinical Cognition Alignment for Gastrointestinal Diagnosis with Multimodal LLMs [63.535652574541764]
  MLLM(Multimodal Large Language Models)は医用画像解析において顕著な可能性を示した。 消化器内視鏡におけるそれらの応用は、現在、2つの重要な限界によって妨げられている。 本稿では,これらの課題に対処する新しい臨床認知アライメント(CogAlign)フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-21T07:47:37Z)
• 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)
• Ocular-Induced Abnormal Head Posture: Diagnosis and Missing Data Imputation [1.7061463565692456]
  AHP(Acular-induced abnormal head posture)は、眼疾患から生じる補充機構である。 本研究では,2つの相補的なディープラーニングフレームワークを通じて,両課題に対処する。 AHP-CADNetは自動診断のための多層注意融合フレームワークである。 カリキュラムベースの計算フレームワークは、欠落したデータを緩和するために設計されている。
  論文  参考訳（メタデータ） (2025-10-07T07:51:59Z)
• Transformer Classification of Breast Lesions: The BreastDCEDL_AMBL Benchmark Dataset and 0.92 AUC Baseline [1.9336815376402718]
  本研究では,ダイナミックコントラスト強調MRIにおける乳腺病変の自動分類のためのトランスフォーマーベースフレームワークを提案する。 患者レベルでは100%の感度と67%の特異性を有する病変レベル分類のAUCを0.92で達成したSegFormerアーキテクチャを実装した。 データセット、モデル、評価プロトコルの公開リリースは、DCE-MRI病変分類のための最初の標準化されたベンチマークを提供する。
  論文  参考訳（メタデータ） (2025-09-30T15:58:02Z)
• Benchmarking and Explaining Deep Learning Cortical Lesion MRI Segmentation in Multiple Sclerosis [28.192924379673862]
  多発性硬化症(MS)における生体マーカーとしての皮質病変(CL)の出現 本稿では,MRIにおけるCL検出とセグメンテーションの総合ベンチマークを提案する。 医療画像のセグメンテーションのために設計された自己構成のnnU-Netフレームワークを利用し、CL検出の改善に適した適応を提案する。
  論文  参考訳（メタデータ） (2025-07-16T09:56:11Z)
• A Transformer-based representation-learning model with unified processing of multimodal input for clinical diagnostics [63.106382317917344]
  本稿では,マルチモーダル入力を統一的に処理する臨床診断支援として,トランスフォーマーを用いた表現学習モデルについて報告する。 統一モデルは, 肺疾患の同定において, 画像のみのモデル, 非統一型マルチモーダル診断モデルより優れていた。
  論文  参考訳（メタデータ） (2023-06-01T16:23:47Z)
• A Computer-Aided Diagnosis System for Breast Pathology: A Deep Learning Approach with Model Interpretability from Pathological Perspective [6.583997407109283]
  深層学習による病変検出と分類のためのコンピュータ支援診断システム(CAD)を開発した。 本研究では, 畳み込みニューラルネットワーク(CNN)の分類において, 深い特徴が示され, 包括的解釈が可能となった。
  論文  参考訳（メタデータ） (2021-08-05T14:43:59Z)
• Malignancy Prediction and Lesion Identification from Clinical Dermatological Images [65.1629311281062]
  臨床皮膚画像から機械学習に基づく悪性度予測と病変の同定を検討する。 まず, サブタイプや悪性度に関わらず画像に存在するすべての病変を同定し, その悪性度を推定し, 凝集により, 画像レベルの悪性度も生成する。
  論文  参考訳（メタデータ） (2021-04-02T20:52:05Z)

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。