論文の概要: Learning to Reason Like a Cytopathologist:Clinically Grounded Multiscale Evidential Learning for Cervical Cytology

• arxiv url: http://arxiv.org/abs/2610.29665v1
• Date: Wed, 21 Oct 2026 12:41:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-23 00:40:06.360743
• Title: Learning to Reason Like a Cytopathologist:Clinically Grounded Multiscale Evidential Learning for Cervical Cytology
• Title（参考訳）: 細胞病理医としての推論への学習:細胞学のマルチスケール・エビデンシャル・ラーニング
• Abstract要約: 本報告では, 頚部細胞診を経時的にモデル化する多段階の顕在化フレームワークを提案する。 生物学的に動機付けられた3つの空間的文脈 - 核形態、細胞質の特徴、および近傍の細胞構造 - は、共有凍結DINOv2バックボーンを用いて独立に符号化される。 校正された予測はデンプスター・マッサーズに変換され、信頼性の低下と融合し、矛盾する証拠と不十分な支援が決定を強制するのではなく明示的に無許可のままである。
• 参考スコア（独自算出の注目度）: 11.417010713100824
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Cervical cytology presents a fundamentally ambiguous diagnostic landscape, where equivocal categories such as Atypical Squamous Cells of Undetermined Significance (ASC-US) occupy a morphological grey zone that is definitional. For clinical decision support, the goal extends beyond assigning a definitive label to every sample: cases must also be distinguished by whether the available evidence supports a confident decision or warrants further consideration, a distinction conventional classification models are not designed to explicitly represent. We propose a multiscale evidential framework that models cervical cytology along an ordinal disease continuum using clinically grounded soft anchors, representing progression from benign reactive changes to precancerous lesions and malignancy. Three biologically motivated spatial contexts--nuclear morphology, cytoplasmic characteristics, and neighbourhood cellular architecture--are independently encoded using a shared frozen DINOv2 backbone, preserving inter-scale disagreement that early fusion may obscure. Calibrated predictions are transformed into Dempster--Shafer belief masses and fused with reliability discounting, allowing conflicting evidence and insufficient support to remain explicitly uncommitted rather than forcing a decision. The fused belief state drives interpretable routing that separates confidently classified cases from those with irreducible evidential insufficiency, enabling clinically meaningful triage. Across two independent publicly available conventional cytology datasets, RIVA and CRIC Cervix, the framework generalises consistently, with uncertainty strongly associated with diagnostic difficulty: incorrect predictions carry 1.94x-4.13x higher uncertainty than correct ones.
• Abstract（参考訳）: 頚部細胞診では、非定型無定型細胞(ASC-US)のような同型分類が定義されている形態学的灰色の領域を占有する、根本的にあいまいな診断環境が提示される。 臨床上の決定支援については、すべてのサンプルに決定的なラベルを割り当てる以上の目的がある: 利用可能な証拠が確実な決定を支持しているか、あるいはさらなる考慮が必要であるか、また、従来の分類モデルが明示的に表現するように設計されていないかによって、ケースは区別されなければならない。 本研究は,臨床応用ソフトアンカーを用いて,頚部細胞診を口腔疾患連続体に沿ってモデル化し,良性反応性変化から先天性病変,悪性度に至る進展を表わす多段階の顕在化フレームワークを提案する。 生物学的に動機付けられた3つの空間的文脈 - 核形態、細胞質の特徴、および近傍の細胞構造 - は、共有された凍結したDINOv2バックボーンを用いて独立に符号化され、初期核融合が不明瞭になる可能性があるというスケール間の不一致を保っている。 校正された予測はデンプスター・マッサーズに変換され、信頼性の低下と融合し、矛盾する証拠と不十分な支援が決定を強制するのではなく明示的に無許可のままである。 融合した信念状態は、確実に分類されたケースを、既約の明細度を有するものから分離する解釈可能なルーティングを駆動し、臨床的に有意義なトリアージを可能にする。 RIVAとCRIC Cervixという2つの独立した通常の細胞診データセット全体にわたって、このフレームワークは一貫して一般化されており、診断上の困難に強く関係している。

関連論文リスト

• Morphology-Aware Ambiguity Learning for Wafer Defect Decision Support [0.3437656066916039]
  本稿では,形態認識型あいまいさ学習フレームワークを提案する。 診断には3つの方法がある: 自動単クラス診断、有効な2つの欠陥クラスによる補助診断、完全レビュー。 WM-811Kの実験により,本フレームワークは欠陥認識や診断決定支援において従来の手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2026-09-18T14:56:09Z)
• 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)
• Medical Model Synthesis Architectures: A Case Study [72.46211022258122]
  現在のAIシステムは、不確実性の下で調整された推論に苦労している。 我々は,不確実性の下で,現実的に有用だが公式に透過的な臨床予測を行うことができるAIシステムのためのフレームワークを提案する。 このフレームワークの最初の概念実証は、どのようにして差分診断に利用できるかを示す。
  論文  参考訳（メタデータ） (2026-05-10T19:30:16Z)
• AdURA-Net: Adaptive Uncertainty and Region-Aware Network [0.7771558179849474]
  臨床的意思決定においては、モデルが確実な予測を強制されるべきではないため、不確実なラベルがトリッキーな役割を果たす。 本稿では,高信頼胸部疾患分類のための幾何駆動型適応不確実性認識フレームワークAdURA-Netを提案する。
  論文  参考訳（メタデータ） (2026-02-27T08:56:24Z)
• ClinNet: Evidential Ordinal Regression with Bilateral Asymmetry and Prototype Memory for Knee Osteoarthritis Grading [3.337151338735509]
  X線画像に基づく膝関節症(KOA)の診断は極めて難しい課題である。 本研究では, KOA グレーディングに対処する信頼性の高い新しいフレームワーク ClinNet を提案する。
  論文  参考訳（メタデータ） (2026-01-24T05:49:41Z)
• Modeling Clinical Uncertainty in Radiology Reports: from Explicit Uncertainty Markers to Implicit Reasoning Pathways [16.76473492794096]
  明示的な不確実性は、ヘッジフレーズを通じて伝達される発見の有無についての疑念を反映している。 入射不確実性は、放射線学者がその推論の一部を省略し、重要な発見や診断のみを記録するときに生じる。 ここでは、省略された所見が真に欠如しているか、単に軽快のため欠落しているかは、しばしば不明である。 我々は、エキスパート検証されたLLMベースの共通ヘッジフレーズの基準ランキングを作成し、この基準に基づいて各発見を確率値にマッピングすることで、明確な不確実性を定量化する。 さらに、14の共通診断のための専門家定義診断経路から派生した特徴的サブフィンディングを体系的に付加する拡張フレームワークを通じて暗黙的な不確実性をモデル化する。
  論文  参考訳（メタデータ） (2025-11-06T16:24:53Z)
• Towards Reliable Medical Image Segmentation by Modeling Evidential Calibrated Uncertainty [57.023423137202485]
  医用画像のセグメンテーションの信頼性に関する懸念が臨床医の間で続いている。 本稿では,医療画像セグメンテーションネットワークにシームレスに統合可能な,実装が容易な基礎モデルであるDEviSを紹介する。 主観的論理理論を活用することで、医用画像分割の確率と不確実性を明示的にモデル化する。
  論文  参考訳（メタデータ） (2023-01-01T05:02:46Z)
• Malignancy Prediction and Lesion Identification from Clinical Dermatological Images [65.1629311281062]
  臨床皮膚画像から機械学習に基づく悪性度予測と病変の同定を検討する。 まず, サブタイプや悪性度に関わらず画像に存在するすべての病変を同定し, その悪性度を推定し, 凝集により, 画像レベルの悪性度も生成する。
  論文  参考訳（メタデータ） (2021-04-02T20:52:05Z)
• 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。