論文の概要: CF-NODE: Counterfactual Spatial Node Intervention for Test-Time Adaptation Under Domain Shift, Evaluated Across Five Diabetic Retinopathy Datasets

• arxiv url: http://arxiv.org/abs/2610.22437v1
• Date: Thu, 15 Oct 2026 12:44:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 00:56:07.593653
• Title: CF-NODE: Counterfactual Spatial Node Intervention for Test-Time Adaptation Under Domain Shift, Evaluated Across Five Diabetic Retinopathy Datasets
• Title（参考訳）: CF-NODE:5つの糖尿病網膜症データセットにおけるテスト時間適応のための非現実的空間ノードインターベンション
• Abstract要約: CF-NODE(CF-NODE)は、クロスドメイン糖尿病網膜症における新規なテスト時間適応フレームワークである。 幾何学的ビューと固定されたソース由来の事前ビューのみを使用して、すべてのイメージを独立に適応する。 DR重度レベルを越えて、よりバランスの取れた認識とともに、より強力なグレードの識別を提供する。
• 参考スコア（独自算出の注目度）: 0.5156484100374058
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Automated fundus-based diabetic retinopathy (DR) grading can substantially expand screening capacity, but source-trained models degrade sharply across different cameras, clinics, and patient populations. Existing test-time adaptation methods depend on entropy minimization or target information accumulated from image batches and streams. These mechanisms can reinforce confidently incorrect predictions and break down when clinical images arrive independently. We introduce CF-NODE, a novel counterfactual test-time adaptation framework for cross- domain DR grading. Instead of trusting prediction confidence or estimating a target distribution, CF-NODE asks how each prediction responds under a controlled intervention on the evidence supporting it. CF-NODE ranks internal spatial nodes using model-derived attention, feature magnitude, and node-set similarity, progressively attenuates the highest-ranked nodes, and uses the stability of the resulting expected-grade response to apply a bounded calibration of the predicted grade distribution. The framework is fully frozen and adapts every image independently using only geometric views and a fixed source-derived prior, requiring no target-derived information or model updates. We evaluate CF-NODE on five external DR datasets under repeated-seed evaluation against TENT, EATA, SAR, and T3A. CF-NODE outperforms all four methods with statistically significant improvements over the second-best method, improves AUC on every target domain, and attains the highest average AUC and macro-F1, delivering stronger grade discrimination together with more balanced recognition across DR severity levels. These results demonstrate that counterfactual intervention sensitivity provides consistent and deployment-ready domain robustness for single-image clinical inference.
• Abstract（参考訳）: オートフォーカスベースの糖尿病網膜症(DR)グレーディングはスクリーニング能力を大幅に向上させるが、ソーストレーニングされたモデルは様々なカメラ、診療所、患者集団で急激に低下する。 既存のテスト時間適応手法は、画像バッチやストリームから蓄積されたエントロピーの最小化やターゲット情報に依存する。 これらのメカニズムは、臨床画像が独立して到着したとき、確実な誤った予測を補強し、分解することができる。 CF-NODE(CF-NODE)は、クロスドメインDRグレーディングのための新しい実証時間適応フレームワークである。 CF-NODEは、予測の信頼性を信頼したり、ターゲットの分布を推定する代わりに、予測がそれをサポートする証拠に対して制御された介入の下でどのように反応するかを問う。 CF-NODEは、モデル由来の注意力、特徴量、ノードセットの類似度を用いて内部空間ノードをランク付けし、上位ノードを徐々に減衰させ、予測されたグレード分布の有界キャリブレーションを適用するために、結果の期待グレード応答の安定性を利用する。 フレームワークは完全に凍結され、幾何学的なビューと固定されたソース由来の事前情報のみを使用して、すべてのイメージを独立して適応する。 我々は,TENT,EATA,SAR,T3Aに対して,5つの外部DRデータセット上でCF-NODEを評価した。 CF-NODEは、第2のベスト法よりも統計的に有意な改善を施した4つの手法を全て上回り、ターゲット領域ごとのAUCを改善し、平均的なAUCとマクロF1を達成し、DR重度レベルをまたいだよりバランスの取れた認識とともに、より強力なグレードの識別を提供する。 これらの結果から, 反ファクト的介入感受性は, 単一画像臨床推論において一貫した, 展開可能なドメインの堅牢性をもたらすことが示唆された。

関連論文リスト

• Explainable Diabetic Retinopathy Classification Using Vision Foundation Models [0.3563504400596782]
  糖尿病網膜症(DR)は、予防可能な失明の主要な原因であり、正確で信頼性の高い自動スクリーニングの必要性が生じる。 本研究は,視覚基盤モデルと多変速学習戦略を用いた説明可能なDR分類フレームワークについて検討する。
  論文  参考訳（メタデータ） (2026-08-28T11:26:43Z)
• Test-time Adaptation of Pelvic Bone Segmentation Models via Dynamic Reliability-Guided [62.10276009853225]
  ロボットによる骨盤外傷手術には,CTによる骨切片の信頼性が不可欠である。 既存の方法はPBSに対して限られた有効性を示した。 PBSのための新しいクローズドループ動的信頼性ガイドフレームワーク(ReGA)を提案する。
  論文  参考訳（メタデータ） (2026-08-01T08:13:20Z)
• RED-Sphere: Hyperspherical Residual Edge Debiasing for Cross-Population Fundus Disease Domain Generalization [9.799197565809683]
  画像分類のためのプラグアンドプレイロバストネスフレームワークRED-Sphereを提案する。 エッジと特徴エネルギーでショートカットに敏感なニュアンス応答を推定し、残留したソフトゲーティングによって支配的な応答を減衰させる。 病変構造を保存しながら、ソース関連アクティベーションの規模よりも角的な意味的証拠を好む。
  論文  参考訳（メタデータ） (2026-07-12T14:12:14Z)
• Patient-Conditioned Adaptive Offsets for Reliable Diagnosis across Subgroups [11.237134615215977]
  我々は,共有診断モデルを維持しながらサブグループ信頼性を向上させる患者条件適応フレームワークであるHyperAdaptを紹介する。 複数の公開医用画像ベンチマークによる実験により、提案手法は、全体的な精度を犠牲にすることなく、サブグループレベルのパフォーマンスを一貫して改善することを示した。
  論文  参考訳（メタデータ） (2026-01-19T14:33:41Z)
• Parameterized Diffusion Optimization enabled Autoregressive Ordinal Regression for Diabetic Retinopathy Grading [53.11883409422728]
  本研究は, AOR-DRと呼ばれる新しい自己回帰的順序回帰法を提案する。 我々は,糖尿病網膜症分類タスクを,前ステップの予測と抽出画像の特徴を融合させることにより,一連の順序段階に分解する。 拡散過程を利用して条件付き確率モデリングを行い、連続的グローバルな画像特徴を自己回帰に利用できるようにする。
  論文  参考訳（メタデータ） (2025-07-07T13:22:35Z)
• Diffusion-based Counterfactual Augmentation: Towards Robust and Interpretable Knee Osteoarthritis Grading [7.748673766536236]
  本稿では,モデルの堅牢性と解釈可能性を高める拡散型対実拡張(DCA)の枠組みを提案する。 このフレームワークは、モデル不確実性を堅牢なトレーニング信号に変換し、より正確で信頼性の高い自動診断システムを開発するための有望な経路を提供する。
  論文  参考訳（メタデータ） (2025-06-18T04:16:28Z)
• Domain Adaptive Diabetic Retinopathy Grading with Model Absence and Flowing Data [45.75724873443564]
  ドメインシフトは、糖尿病網膜症などの臨床応用において重要な課題である。 本稿では,データ中心の観点から適応可能なGUES(Generative Unadversarial Examples)を提案する。
  論文  参考訳（メタデータ） (2024-12-02T07:14:25Z)
• Machine Learning for ALSFRS-R Score Prediction: Making Sense of the Sensor Data [44.99833362998488]
  筋萎縮性側索硬化症(Amyotrophic Lateral Sclerosis、ALS)は、急速に進行する神経変性疾患である。 iDPP@CLEF 2024チャレンジを先導した今回の調査は,アプリから得られるセンサデータを活用することに焦点を当てている。
  論文  参考訳（メタデータ） (2024-07-10T19:17:23Z)
• Improving Robustness and Reliability in Medical Image Classification with Latent-Guided Diffusion and Nested-Ensembles [4.249986624493547]
  一度展開すると、医用画像解析法は予期せぬ画像の破損やノイズの摂動に直面することが多い。 LaDiNEは、視覚変換器のロバスト性と拡散に基づく生成モデルを組み合わせた、新しいアンサンブル学習手法である。 結核胸部X線とメラノーマ皮膚がんデータセットの実験により、LaDiNEは幅広い最先端の方法と比較して優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2023-10-24T15:53:07Z)
• Federated Uncertainty-Aware Aggregation for Fundus Diabetic Retinopathy Staging [42.883182872565044]
  本稿では,糖尿病網膜症(DR)ステージリングモデルのトレーニングのための新しいフェデレート不確実性認識集約パラダイム(FedUAA)を提案する。 FedUAAは各クライアントの信頼性を考慮し、DRステージングに対する信頼度を推定する。 実験の結果,FedUAAは,他のフェデレート学習法と比較して,信頼性の高いDRステージング性能が向上していることがわかった。
  論文  参考訳（メタデータ） (2023-03-23T04:41:44Z)
• Cross-Site Severity Assessment of COVID-19 from CT Images via Domain Adaptation [64.59521853145368]
  CT画像によるコロナウイルス病2019(COVID-19)の早期かつ正確な重症度評価は,集中治療単位のイベント推定に有効である。 ラベル付きデータを拡張し、分類モデルの一般化能力を向上させるためには、複数のサイトからデータを集約する必要がある。 この課題は、軽度の感染症と重度の感染症の集団不均衡、部位間のドメイン分布の相違、不均一な特徴の存在など、いくつかの課題に直面する。
  論文  参考訳（メタデータ） (2021-09-08T07:56:51Z)

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。