論文の概要: C$^2$LUE: Clinically Aligned Patient-Level Ultrasound Diagnosis via Evidence-Aware Multi-Instance Learning

• arxiv url: http://arxiv.org/abs/2610.14143v1
• Date: Fri, 09 Oct 2026 15:14:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 22:58:08.710725
• Title: C$^2$LUE: Clinically Aligned Patient-Level Ultrasound Diagnosis via Evidence-Aware Multi-Instance Learning
• Title（参考訳）: C$2$LUE:Evidence-Aware Multi-Instance Learning による臨床適応型患者レベル超音波診断
• Abstract要約: 患者レベルの超音波診断では高い予測精度が要求される。 標準アグリゲータはしばしば異種診断キューを希薄にし、グローバルな精度で最適化する。 C$2$LUEはリスク整合正則化を伴うアグリゲーションを意識した新しいフレームワークである。
• 参考スコア（独自算出の注目度）: 14.54797609485941
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Patient-level ultrasound diagnosis demands not only high predictive accuracy but also clinically aligned mitigation of asymmetric diagnostic risks. While Multi-Instance Learning (MIL) effectively models routine multi-view exams, standard aggregators often dilute heterogeneous diagnostic cues and optimize solely for global accuracy. This frequently yields undesirable sensitivity-specificity trade-offs. To bridge this gap, we propose C$^2$LUE, a novel MIL framework coupling evidence aware aggregation with risk-aligned regularization. To preserve evidence heterogeneity and prevent unimodal attention collapse, C$^2$LUE employs a multi-query cross-attention mechanism built upon a LoRA-adapted DINOv3 backbone. Multiple latent queries explicitly extract and disentangle diverse morphological patterns from the ultrasound sequence. Furthermore, to improve clinical risk alignment, we introduce a dynamic trade-off regularization objective that penalizes sensitivity-specificity imbalance during training. Rather than leaving the clinical trade-off entirely to post-hoc threshold adjustment, this objective encourages the learned score distribution toward a more balanced operating region. Extensive evaluations on patient-level, biopsy-proven thyroid and breast ultrasound datasets demonstrate that C$^2$LUE consistently outperforms prior alternatives. By uniting strong discrimination with a balanced error profile, C$^2$LUE provides a promising solution for real-world ultrasound screening and diagnosis.
• Abstract（参考訳）: 患者レベルの超音波診断は、高い予測精度だけでなく、非対称な診断リスクの緩和も要求する。 MIL(Multi-Instance Learning)は、日常的なマルチビュー試験を効果的にモデル化する一方で、標準アグリゲータは、異種診断を希薄化し、グローバルな精度にのみ最適化する。 これはしばしば望ましくない感度特異性トレードオフをもたらす。 このギャップを埋めるために,リスク整合正則化を伴うアグリゲーションを意識した新しいMILフレームワークであるC$^2$LUEを提案する。 証拠の不均一性を保ち、一様の注意崩壊を防ぐため、C$^2$LUEはLoRAに適応したDINOv3のバックボーン上に構築されたマルチクエリのクロスアテンション機構を用いる。 複数の潜伏クエリは、超音波シーケンスから多種多様な形態パターンを明示的に抽出し、アンタングルする。 さらに、臨床リスクアライメントを改善するために、トレーニング中に感度特異性不均衡を罰する動的トレードオフ正規化目標を導入する。 臨床トレードオフを完全に保温後の閾値調整に委ねるのではなく、この目的は学習したスコア分布をよりバランスの取れた手術領域に向けて促進する。 C$^2$LUEは, 患者の甲状腺, 生検, 乳房超音波のデータセットを総合的に評価した結果, 従来と変わらず有意な差が認められた。 C$^2$LUEは、強い差別をバランスの取れた誤差プロファイルと組み合わせることで、現実の超音波検診と診断に有望なソリューションを提供する。

関連論文リスト

• Echo-α: Large Agentic Multimodal Reasoning Model for Ultrasound Interpretation [76.6507710204181]
  超音波解釈のためのエージェント型マルチモーダル推論モデルであるEcho-を提案する。 Echo-は臓器固有の検出出力を調整し、それらをグローバルな視覚的コンテキストに統合し、その結果の証拠を根拠となる診断決定に変換するように訓練されている。 以上の結果から, エージェントによるマルチモーダル推論は, 特定検出器を検証可能な臨床証拠にすることができることが示唆された。
  論文  参考訳（メタデータ） (2026-04-30T15:31:00Z)
• Towards Trustworthy Depression Estimation via Disentangled Evidential Learning [50.22167852149165]
  EviDepはうつ病の重症度を共同で定量化する明らかな学習フレームワークである。 EviDepは、堅牢な証拠合成を保証するために厳密な情報整合性を強制する。 最先端の予測精度と優れた不確実性校正を実現し、信頼できる臨床スクリーニングのための堅牢なフェールセーフメカニズムを提供する。
  論文  参考訳（メタデータ） (2026-04-17T13:27:11Z)
• An Explainable Vision-Language Model Framework with Adaptive PID-Tversky Loss for Lumbar Spinal Stenosis Diagnosis [1.2871968485402088]
  既存の視覚言語モデルは、臨床セグメント化データセットでよく見られる極端なクラス不均衡に対処できない。 本稿では、これらの制限を克服するために、エンドツーエンドの説明可能な視覚言語モデルフレームワークを提案する。 診断精度は90.69%,マクロ平均Diceスコアは0.9512,CIDErスコアは92.80%であった。
  論文  参考訳（メタデータ） (2026-04-02T20:18:35Z)
• 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)
• Timely Clinical Diagnosis through Active Test Selection [49.091903570068155]
  本稿では,現実の診断推論をよりうまくエミュレートするためのACTMED (Adaptive Clinical Test selection via Model-based Experimental Design)を提案する。 LLMは柔軟なシミュレータとして機能し、構造化されたタスク固有のトレーニングデータを必要とせずに、患者状態のもっともらしい分布を生成し、信念の更新をサポートする。 我々は、実世界のデータセット上でACTMEDを評価し、診断精度、解釈可能性、リソース使用量を改善するためにテスト選択を最適化できることを示す。
  論文  参考訳（メタデータ） (2025-10-21T18:10:45Z)
• Multimodal Carotid Risk Stratification with Large Vision-Language Models: Benchmarking, Fine-Tuning, and Clinical Insights [3.5469990240092373]
  本研究では,マルチモーダル頸動脈プラーク評価のための最先端および最近の大規模視覚言語モデル (LVLM) の可能性について検討した。 インタビュースタイルの質問シーケンスを通じて現実的な診断シナリオをシミュレートするフレームワークを提案する。 実験の結果、LVLMが非常に強力であるとしても、すべてのLVLMが画像のモダリティと解剖を正確に識別できるわけではないことが判明した。
  論文  参考訳（メタデータ） (2025-10-03T11:48:12Z)
• Multi-pathology Chest X-ray Classification with Rejection Mechanisms [36.0596663889937]
  ディープラーニングモデルの過信は、高精細度の医療画像タスクにおいて重大なリスクをもたらす。 本研究では,DenseNet-121バックボーンを用いた胸部X線診断のための不確実性認識フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-09-12T15:36:26Z)
• A Fully Automatic Framework for Intracranial Pressure Grading: Integrating Keyframe Identification, ONSD Measurement and Clinical Data [3.6652537579778106]
  頭蓋内圧(ICP)上昇は脳機能に深刻な脅威をもたらし、時間的介入の監視を必要とする。 OnSD測定と臨床データを統合したICPグレーティングのための完全自動2段階フレームワークを提案する。 評価精度は0.845 pm 0.071$, 独立試験精度0.786であり, 従来のしきい値法よりも優れていた。
  論文  参考訳（メタデータ） (2025-09-11T11:37:48Z)
• 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)

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。