論文の概要: The Predictability Bias of Joint-Embedding Predictive Learning in Medical Imaging

• arxiv url: http://arxiv.org/abs/2610.13237v1
• Date: Fri, 09 Oct 2026 08:53:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-13 04:06:29.484859
• Title: The Predictability Bias of Joint-Embedding Predictive Learning in Medical Imaging
• Title（参考訳）: 医用画像における共同埋め込み予測学習の予測可能性バイアス
• Abstract要約: ポイント予測は条件目標分布を要約し、文脈が解決しない変動を再現することができない。 CT(Computerd tomography)では,再帰的解剖は文脈から予測可能であるが,臨床解釈を決定づける散発的局所的病理はそうではない。 スキャンレベル分類における最先端エンコーダと競合する113,611個のCTボリュームでトレーニングされたVT-B/3DであるTAP-JEPAを紹介する。
• 参考スコア（独自算出の注目度）: 22.79780425937356
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Joint-embedding predictive architectures (JEPAs) learn by predicting teacher representations of masked regions from visible context. Point prediction summarizes the conditional target distribution and cannot reproduce variation that the context does not resolve. We call this constraint predictability bias. In computed tomography (CT), recurrent anatomy is predictable from context, whereas the sporadic, localized pathology that determines clinical interpretation often is not. We introduce TAP-JEPA, a ViT-B/3D trained on 113,611 CT volumes that is competitive with state-of-the-art encoders (COLIPRI, Merlin, VoxelFM) in scan-level classification. We then audit the learned predictive pathway by replaying the exact masking, teacher, and predictor computations used during training. Prediction lowers the mean Skill (prevalence-normalized average precision) from 0.388 to 0.271 for pathology, but only from 0.921 to 0.873 for anatomy. Along the teacher direction, separating pathology from matched control regions in the same organ, prediction moves pathology 34.7% toward the controls and controls 13.6% toward pathology, with larger shifts farther from visible context. Replacing visible matched-control representations increases surrounding-target prediction loss more than fully replacing pathology representations across four pathology categories. Downstream, removing all final-layer pathology tokens reduces the decision margin by at most 0.45% in four of seven scan-level probes. Together, these results show that contextual predictability is not a sufficient proxy for clinical relevance in medical representation learning. Training objectives should therefore retain diagnostic features regardless of their predictability from surrounding anatomy.
• Abstract（参考訳）: JEPA(Joint-embedding predictive Architecture)は、視覚的コンテキストからマスキング領域の教師表現を予測することで学習する。 ポイント予測は条件目標分布を要約し、文脈が解決しない変動を再現することができない。 私たちはこの制約予測可能性バイアスと呼んでいる。 CT(Computerd tomography)では,再帰的解剖は文脈から予測可能であるが,臨床解釈を決定づける散発的局所的病理はそうではない。 我々は,113,611CTボリュームでトレーニングされたVT-B/3DであるTAP-JEPAを紹介し,スキャンレベルの分類において最先端エンコーダ(COLIPRI,Merlin,VoxelFM)と競合する。 次に、トレーニング中に使用する正確なマスキング、教師、予測器の計算を再生することにより、学習した予測経路を監査する。 平均スキル(精度正規化平均精度)は病理学では0.388から0.271に低下するが、解剖学では0.921から0.873に低下する。 教師の方向に沿って、同一臓器内の一致した制御領域から病理を分離し、予測は病理学を34.7%、病理学を13.6%、可視的文脈から遠く離れている。 可視的一致制御表現の置き換えは、4つの病理カテゴリーにわたる病理表現を完全に置き換える以上の、周囲のターゲット予測損失を増加させる。 下流で全ての最終層病理トークンを除去すると、7つのスキャンレベルのプローブのうち4つのうち、決定マージンは少なくとも0.45%減少する。 これらの結果から, 文脈的予測可能性は, 医学的表現学習における臨床関連性の指標として十分ではないことが示唆された。 したがって、トレーニング対象は、周囲の解剖学からの予測可能性にかかわらず、診断的特徴を保持するべきである。

関連論文リスト

• Physics-Informed Hemodynamic Modeling for Data-Free Prediction and Sparse-Data Assimilation [9.225353489832882]
  二視点血管造影による3次元冠動脈血流解析のための統合的ディープラーニングフレームワークを提案する。 CNNは血管造影から冠状形状を再構成し、点雲を基準領域にマッピングし、フーリエ符号化して関節表現を行う。 分離されたネットワークは速度と圧力場を別々に予測し、組み込まれている物理的前提により生理的条件を効率的に移動することができる。
  論文  参考訳（メタデータ） (2026-09-16T18:02:24Z)
• Trusting Right Predictions for Wrong Reasons: A LIME Based Analysis of Deep Learning Interpretability in Lung Cancer Diagnosis [0.0]
  肺がんはがん関連死亡の主な原因であり、毎年約250万件の新規感染者と18万件の死亡がある。 評価は主に予測精度に焦点を当てており、意思決定プロセスは十分に検証されていない。 本研究では, IQ-OTH/NCCD肺がんCTデータセットをトレーニングした, 畳み込みニューラルネットワーク(CNN), 事前訓練されたResNet50, ビジョントランスフォーマー(ViT)の3つのモデルを比較した。 ResNet50は98.61%の精度、CNN 97.91%の精度、ViT 93.75%の精度を達成した。
  論文  参考訳（メタデータ） (2026-06-14T22:08:31Z)
• Interpretability and Individuality in Knee MRI: Patient-Specific Radiomic Fingerprint with Reconstructed Healthy Personas [40.168029561784216]
  放射線指紋(Radiomic fingerprint)は、MRIから派生した患者固有の特徴である。 健康なペルソナは、各患者に対して病理のないベースラインを合成する。 病理像から抽出した特徴を人格と比較すると、正常な解剖学からの逸脱が強調される。
  論文  参考訳（メタデータ） (2026-01-13T14:48:01Z)
• MeCaMIL: Causality-Aware Multiple Instance Learning for Fair and Interpretable Whole Slide Image Diagnosis [40.3028468133626]
  MIL(Multiple Case Learning)は、コンピュータ病理学における全スライド画像(WSI)解析の主流パラダイムとして登場した。 因果関係を意識したMILフレームワークである textbfMeCaMIL は、構造化因果グラフを通じて、階層的共同創設者を明示的にモデル化する。 MeCaMILは優れた公正性を達成する -- 人口格差の分散は、属性全体の平均で65%以上減少する。
  論文  参考訳（メタデータ） (2025-11-14T06:47:21Z)
• Anatomy-guided Pathology Segmentation [56.883822515800205]
  本研究では, 解剖学的特徴と病理学的情報を組み合わせた汎用的セグメンテーションモデルを構築し, 病理学的特徴のセグメンテーション精度を高めることを目的とする。 我々の解剖学・病理学交流(APEx)訓練では,ヒト解剖学の問合せ表現に結合特徴空間をデコードする問合せベースのセグメンテーション変換器を用いている。 これにより、FDG-PET-CTとChest X-Rayの病理分類タスクにおいて、強力なベースライン法に比べて最大3.3%のマージンで、ボード全体で最高の結果を報告できる。
  論文  参考訳（メタデータ） (2024-07-08T11:44:15Z)
• 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)
• Significantly improving zero-shot X-ray pathology classification via fine-tuning pre-trained image-text encoders [50.689585476660554]
  本稿では,正対損失緩和とランダムな文サンプリングを含む新たな微調整手法を提案する。 提案手法は,胸部X線データセットと3つの事前訓練モデル間のゼロショット病理分類を一貫して改善する。
  論文  参考訳（メタデータ） (2022-12-14T06:04:18Z)
• Automatic and explainable grading of meningiomas from histopathology images [4.72477127235866]
  スライド画像全体から全自動髄膜腫を鑑別する3つのアプローチを提示・比較した。 すべてのアプローチはWHOグレードと高い相関関係を持つ。
  論文  参考訳（メタデータ） (2021-07-19T13:05:51Z)
• A Deep Learning-Based Approach to Extracting Periosteal and Endosteal Contours of Proximal Femur in Quantitative CT Images [25.76523855274612]
  セグメンテーションタスクのために,3次元の終端(3D)完全畳み込みニューラルネットワークを開発した。 同一のネットワーク構造を持つ2つのモデルが訓練され、それぞれ腹腔内輪郭と内皮輪郭に対して97.87%と96.49%のサイコロ類似係数(DSC)を達成した。 大腿骨頚部骨折のリスク予測や有限要素解析などの臨床応用の可能性を示した。
  論文  参考訳（メタデータ） (2021-02-03T10:23:41Z)
• The Consequences of the Framing of Machine Learning Risk Prediction Models: Evaluation of Sepsis in General Wards [0.0]
  フレーミングがモデル性能とモデル学習に与える影響を4つの異なるアプローチで評価する。 デンマークの4自治体の221,283人の二次医療データを分析した。
  論文  参考訳（メタデータ） (2021-01-26T14:00:05Z)

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。