論文の概要: Beyond the Dominant Label: Recovering Coexisting Lesion Evidence with Multiple Instance Learning

• arxiv url: http://arxiv.org/abs/2610.22091v1
• Date: Thu, 15 Oct 2026 15:43:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-17 06:09:33.16609
• Title: Beyond the Dominant Label: Recovering Coexisting Lesion Evidence with Multiple Instance Learning
• Title（参考訳）: 支配的ラベルを超えて - 複数インスタンス学習による既存の病変証拠の回収
• Abstract要約: 全スライディング画像は、既存の病変を含む場合もあるが、監督の弱さは、一般的に最も深刻な診断しか提供しない。 我々は,バッグレベルとインスタンスレベルのアノテーション機構を整列するラベル認識フレームワークであるDomSet-MILを提案する。
• 参考スコア（独自算出の注目度）: 13.557223464942176
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Whole-slide images may contain coexisting lesions, yet weak supervision typically provides only the most severe diagnosis. We formulate this setting as dominant-label multiple instance learning, where the observed label is the maximum-severity element of a latent lesion set. Standard multiclass MIL treats it as a complete one-hot description and therefore suppresses lower-severity evidence whenever it co-occurs with a dominant lesion. We propose DomSet-MIL, a label-aware framework that aligns the annotation mechanism across bag and instance levels. Dominant-Label Censored Likelihood models the reported diagnosis without declaring unreported lesions absent. Severity-Ordered Residual Routing assigns patch evidence from high to low severity and preserves residual support for secondary findings, while top-$q$ pooling links local routing scores to bag prediction. Experiments across natural and controlled settings show that DomSet-MIL achieves state-of-the-art performance in dominant-label prediction while more effectively recovering latent coexisting-lesion evidence. These findings demonstrate that modeling the dominant-label mechanism can improve diagnostic prediction without sacrificing clinically meaningful secondary findings.
• Abstract（参考訳）: 全スライディング画像は、既存の病変を含む場合もあるが、監督の弱さは、一般的に最も深刻な診断しか提供しない。 我々はこの設定を支配ラベル多重学習として定式化し、観察されたラベルは潜伏病変セットの最大重大要素である。 標準のマルチクラスMILは、それを完全な1ホット記述として扱うため、支配的な病変と共起するたびに、低重度証拠を抑える。 我々は,バッグレベルとインスタンスレベルのアノテーション機構を整列するラベル認識フレームワークであるDomSet-MILを提案する。 Dominant-Label Censored Likelihoodは、報告されていない病変が欠如していることを宣言することなく、報告された診断をモデル化した。 Severity-Ordered Residual Routingは、パッチエビデンスを高いレベルから低いレベルまで割り当て、セカンダリな結果に対する残留的なサポートを保持し、トップ$q$プールはローカルルーティングスコアとバッグ予測をリンクする。 自然および制御された環境における実験により、DomSet-MILは、有意なラベル予測において最先端のパフォーマンスを達成すると同時に、潜在共存証拠をより効果的に回収できることが示されている。 これらの結果から,臨床的に有意な二次所見を犠牲にすることなく,優占ラベル機構のモデル化により診断精度が向上することが示唆された。

関連論文リスト

• Seeing Beyond the Lesion: Disease Recognition from Reactive CNS Tissue [1.2182821723492487]
  我々は4つの病理基盤モデルを、共有注意に基づく学習フレームワーク内の凍結パッチエンコーダとしてベンチマークする。 まず,スライドサイズだけで粗い疾患カテゴリー予測が再現可能であることを示す。 驚くべきことに、パフォーマンスはすべての基礎モデルエンコーダ間で統計的に区別できない。
  論文  参考訳（メタデータ） (2026-09-02T10:02:43Z)
• What Do Medical Vision-Language Models Learn in Radiology? Transfer, Alignment, and Source-Proxy Leakage Under Distribution Shift [3.5023163663015286]
  医療ビジョン言語モデル(VLM)は、取得ドメイン、ペア管理、評価プロトコルの変更で失敗しながら、ドメイン内で信頼性の高いように見える。 まず、教師なしドメイン適応診断からソースのみのクロスデータセットのビジュアルトランスファーを分離する。 次に、厳密なペアインデックス検索の下でマルチモーダルアライメントを評価し、メタデータ由来のソースプロキシ情報を定量化する。
  論文  参考訳（メタデータ） (2026-08-26T00:19:45Z)
• Rethinking EEG-Based Disease Diagnosis: Decoupling Instance Representation Learning from Subject-Level Supervision [10.89572639873158]
  複数のインスタンス学習は、各対象をバッグとして扱うことによって、継承されたラベルを避ける。 対象レベルの監視からインスタンス表現学習を分離するフレームワークであるBridgeMILを提案する。
  論文  参考訳（メタデータ） (2026-07-29T12:34:47Z)
• 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)
• Neural Uncertainty Principle: A Unified View of Adversarial Fragility and LLM Hallucination [60.197429875410286]
  大規模言語モデルにおける視覚と幻覚の対立的脆弱性は、伝統的に別の問題と見なされている。 損失誘起状態下でのニューラル不確実性原理(NUP)の定式化により, ほぼバウンド状態においては, さらなる圧縮は感度分散の増大を伴うことが判明した。 視覚では、高度に結合したコンポーネントをマスキングすることで、コストのかかる敵の訓練なしに堅牢性を向上させる。 言語では、任意の応答トークンを生成する前に、同じプレフィルステージプローブが幻覚リスクを検出する。
  論文  参考訳（メタデータ） (2026-03-20T02:07:10Z)
• UltrasoundAgents: Hierarchical Multi-Agent Evidence-Chain Reasoning for Breast Ultrasound Diagnosis [14.027321451902734]
  本稿では,UltrasoundAgentsと呼ばれる階層型マルチエージェントフレームワークを提案する。 メインエージェントは、全画像の病変をローカライズし、作物と動物園の操作をトリガーする。 サブエージェントは局所的な視点を分析し、エコー原性パターン、石灰化、境界タイプ、エッジ形態学の4つの臨床的特性を予測する。 メインエージェントは、これらの構造化属性を統合してエビデンスに基づく推論を行い、BI-RADSカテゴリと悪性度予測を出力し、レビュー可能な中間証拠を生成する。
  論文  参考訳（メタデータ） (2026-03-11T15:03:52Z)
• Rethinking Semi-Supervised Medical Image Segmentation: A Variance-Reduction Perspective [51.70661197256033]
  医用画像セグメンテーションのための階層化グループ理論を用いた半教師付きコントラスト学習フレームワークARCOを提案する。 まず、分散還元推定の概念を用いてARCOを構築することを提案し、特定の分散還元技術が画素/ボクセルレベルのセグメンテーションタスクにおいて特に有用であることを示す。 5つの2D/3D医療データセットと3つのセマンティックセグメンテーションデータセットのラベル設定が異なる8つのベンチマークで、我々のアプローチを実験的に検証する。
  論文  参考訳（メタデータ） (2023-02-03T13:50:25Z)
• Weakly-Supervised Cross-Domain Adaptation for Endoscopic Lesions Segmentation [79.58311369297635]
  異なるデータセットにまたがるトランスファー可能なドメイン不変知識を探索できる,新しい弱い教師付き病巣移動フレームワークを提案する。 wasserstein quantified transferability frameworkは、広い範囲の転送可能なコンテキスト依存性を強調するために開発されている。 新規な自己監督型擬似ラベル生成器は、送信困難かつ転送容易なターゲットサンプルの両方に対して、確実な擬似ピクセルラベルを等しく提供するように設計されている。
  論文  参考訳（メタデータ） (2020-12-08T02:26:03Z)

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。