論文の概要: Beyond Gate Weights: Decision-Level Interpretation of Radiomics-Image Feature Fusion for RCC Classification

• arxiv url: http://arxiv.org/abs/2610.14152v1
• Date: Fri, 09 Oct 2026 15:57:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.016293
• Title: Beyond Gate Weights: Decision-Level Interpretation of Radiomics-Image Feature Fusion for RCC Classification
• Title（参考訳）: ゲートウェイトを超えて:放射能の判定レベル解釈-RCC分類のための画像特徴フュージョン
• Abstract要約: ゲート係数は、融合層が中間的特徴を重み付けする方法を記述するが、必ずしも分類器出力における分岐寄与の大きさを反映しない。 造影CTを用いたクリア細胞と非クリア細胞腎細胞癌に対する固定3次元MedVAE-ラジオミクスモデルにおいて,この区別について検討した。
• 参考スコア（独自算出の注目度）: 1.9643634367352913
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Gate coefficients describe how a fusion layer weights intermediate features, but they do not necessarily reflect the magnitude of branch contributions at the classifier output. We investigate this distinction in a fixed 3D MedVAE--radiomics model for clear cell versus non-clear cell renal cell carcinoma classification from contrast-enhanced CT. Because the model uses a linear classification head, the binary decision logit can be decomposed exactly into a gated image term, a direct radiomics term, and a bias. We define effective radiomics dominance as the direct radiomics term's share of the summed absolute non-bias branch contributions and compare it with structural radiomics weighting. Internally, mean structural radiomics weighting was 0.823, whereas mean effective radiomics dominance was 0.148, with a modest case-wise association (\r{ho} = 0.290). The gated image term retained substantially stronger discriminative ranking information than the direct radiomics term. The same structural-to-effective discrepancy was observed in exploratory external evaluation. Branch-targeted permutation, integrated-gradient, and Shapley-style analyses further identified radiomics descriptors influencing the direct radiomics term. Because radiomics also generates the gate, the gated image term remains radiomics-dependent, so additive branch contribution should not be interpreted as total input influence. These findings show that structural gate weighting and decision-level branch contribution represent distinct aspects of gated feature fusion and should be interpreted separately.
• Abstract（参考訳）: ゲート係数は、融合層が中間的特徴を重み付けする方法を記述するが、必ずしも分類器出力における分岐寄与の大きさを反映しない。 造影CTを用いたクリア細胞と非クリア細胞腎細胞癌に対する固定3次元MedVAE-ラジオミクスモデルにおいて,この区別について検討した。 モデルは線形分類ヘッドを使用するため、バイナリ決定ロジットは、ゲート画像項、直接ラジオミクス項、バイアスに正確に分解することができる。 本研究は, 放射能の有効支配を, 絶対的非バイアス分岐寄与の直接的放射能項のシェアとして定義し, 構造的放射能重み付けと比較する。 内部では、平均構造的放射能重み付けは0.823であり、平均有効放射能優位性は0.148であり、ケースワイド関係は穏やかであった(\r{ho} = 0.290)。 ゲート画像項は、直接放射能項よりもかなり強力な識別的ランク情報を保持していた。 探索的外的評価では, 同様の構造と有効性の相違がみられた。 分岐標的置換, 統合段階的, シェープ式解析により, 直接放射線学用語に影響を及ぼす放射能記述体がさらに同定された。 放射能もゲートを生成するため、ゲート画像項は放射能に依存しているため、加算分岐寄与は総入力の影響として解釈するべきではない。 これらの結果から, ゲート重み付けと決定レベルの分岐寄与は, ゲート機能融合の異なる側面を表わし, 別々に解釈すべきであることが示唆された。

関連論文リスト

• Radiomap Blind Prediction under Incomplete Observation: Error Characterization and Correctable Propagation-Prior Learning [82.201505479186]
  レーダマップブラインド予測は,観測可能な伝搬環境の表現と基地局構成から,フィールド計測なしで電波マップを推定することを目的としている。 不完全な観察の下で、決定論的無線マップブラインド予測の人口レベル理論を確立した。 我々は,RadioDecompが事前誘導予測器を補正可能なベースとして扱い,残差補正によりその残差を学習することを示す。
  論文  参考訳（メタデータ） (2026-09-26T18:08:41Z)
• Radiomics--Foundation Fusion for Interpretable RCC Classification: Internal Benchmarking and Exploratory External Transfer [2.9671804743671566]
  造影CTによる腎細胞癌 (RCC) の正確な術前分類は, いまだに困難である。 本研究は, 基礎表現が手技による放射能への依存を軽減するか, あるいは, 解釈可能な腫瘍のキャラクタリゼーションの相補的ままであるかを評価する。
  論文  参考訳（メタデータ） (2026-09-22T15:25:59Z)
• Complementary Roles of Radiomics and Foundation Representations in Renal Cell Carcinoma Classification: A Comparative Study of 2D and 3D CT Encodings [1.9643634367352913]
  放射能は構造された腫瘍記述子を提供するが、基礎表現は転写可能な画像特徴を提供する。 2次元MedVAE, 3次元MedVAE, および2次元クリアセルRCCと非クリアセルRCCとの融合を比較検討した。
  論文  参考訳（メタデータ） (2026-09-22T14:14:33Z)
• Rethinking Radiomap Blind Prediction with Limited Environment and Configuration Representations [75.34570531766927]
  ラジオマップブラインド予測は, 観測可能な伝搬環境の表現と基地局構成から, フィールド計測なしで電波マップを推定する。 本稿では,事前誘導予測器を補正可能なベースとして扱うRadioDecompを提案する。 クロスコンフィグレーションおよびクロス環境設定下での実験では、RadioLSRは特にクロスコンフィグレーションの一般化に有効であることが示されている。
  論文  参考訳（メタデータ） (2026-09-10T08:52:01Z)
• Radiomics-Guided Global-Local Transformer for Weakly Supervised Pathology Localization in Chest X-Rays [65.88435151891369]
  Radiomics-Guided Transformer (RGT)は、テキストトグロバル画像情報と、テキストトグロバル情報とを融合する。 RGTは、画像トランスフォーマーブランチ、放射能トランスフォーマーブランチ、および画像と放射線情報を集約する融合層から構成される。
  論文  参考訳（メタデータ） (2022-07-10T06:32:56Z)
• Cross-Modal Contrastive Learning for Abnormality Classification and Localization in Chest X-rays with Radiomics using a Feedback Loop [63.81818077092879]
  医療画像のためのエンドツーエンドのセミスーパーバイスドクロスモーダルコントラスト学習フレームワークを提案する。 まず、胸部X線を分類し、画像特徴を生成するために画像エンコーダを適用する。 放射能の特徴は別の専用エンコーダを通過し、同じ胸部x線から生成された画像の特徴の正のサンプルとして機能する。
  論文  参考訳（メタデータ） (2021-04-11T09:16:29Z)

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。