論文の概要: Learning to Measure and Diagnose: A Clinical-Dictionary Radiomic Bottleneck Model for Thyroid Nodule Classification

• arxiv url: http://arxiv.org/abs/2610.29738v1
• Date: Wed, 21 Oct 2026 13:38:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-23 09:50:43.252533
• Title: Learning to Measure and Diagnose: A Clinical-Dictionary Radiomic Bottleneck Model for Thyroid Nodule Classification
• Title（参考訳）: 甲状腺結節分類のための臨床辞書型放射線乳房モデル
• Abstract要約: 甲状腺結節分類のための臨床ディファレンシャル・ラジオミック・ボトルネック・モデルを提案する。 このモデルにおいて、FARL(Family-Aware Radiomic Learning)は、特徴家族間のバランスの取れた監視による測定を推定する。 ThyroidXLとTN3Kの実験では、競合する分類性能を示し、ケーススタディでは良性および悪性の結節に対する特徴的寄与を示す。
• 参考スコア（独自算出の注目度）: 12.262240947390573
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Thyroid ultrasound supports the assessment of nodule malignancy, but classification predictions often lack evidence linked to familiar clinical descriptions. Radiomics provides explicitly defined measurements that can support such explanations through a clinical dictionary. However, using these measurements as interpretable evidence requires reliable estimation from ultrasound images and preservation of measurement fidelity when optimizing classification performance. We propose a clinical-dictionary radiomic bottleneck model for thyroid nodule classification. Within this model, Family-Aware Radiomic Learning (FARL) estimates measurements with balanced supervision across feature families. Fidelity-Guided Bottleneck Modeling (FGBM) constructs a fixed bottleneck, followed by joint optimization of measurement estimation and classification under fidelity guidance. Decision evidence decomposition then traces feature contributions through a linear classifier and organizes them by clinical dictionary categories. Experiments on ThyroidXL and TN3K show competitive classification performance, while case studies illustrate feature contributions for benign and malignant nodules. These findings indicate interpretable classification with inspectable quantitative evidence informed by clinical knowledge. Code is available online.
• Abstract（参考訳）: 甲状腺超音波検査は結節悪性度の評価をサポートするが、分類予測にはよく知られた臨床的記述に関連する証拠が欠如していることが多い。 放射能は、臨床辞書を通してそのような説明をサポートするための明確に定義された測定値を提供する。 しかし,これらの測定を解釈可能な証拠として活用するには,超音波画像からの信頼性の高い推定と,分類性能を最適化する際の測定精度の維持が必要である。 甲状腺結節分類のための臨床ディファレンシャル・ラジオミック・ボトルネック・モデルを提案する。 このモデルにおいて、FARL(Family-Aware Radiomic Learning)は、特徴家族間のバランスの取れた監視による測定を推定する。 FGBM(Fidelity-Guided Bottleneck Modeling)は、固定ボトルネックを構築し、次いで、フィデリティガイダンスに基づく測定推定と分類を共同で最適化する。 決定的エビデンス分解は、線形分類器を通して特徴的コントリビューションをトレースし、臨床辞書カテゴリによってそれらを整理する。 ThyroidXLとTN3Kの実験では、競合する分類性能を示し、ケーススタディでは良性および悪性の結節に対する特徴的寄与を示す。 これらの結果から,臨床知識による検査可能な量的証拠による解釈可能な分類が示唆された。 コードはオンラインで入手できる。

関連論文リスト

• EchoTab: Learning Measurement-Grounded Representations for Echocardiographic Diagnosis through Tabular Reconstruction [53.368813255127115]
  本稿では,測定地上表現学習フレームワークであるEchoTabを紹介する。 心エコー図と診断の中間的表現として測定特異的トークンを用いた多視点心エコー図法の研究を示す。 結果として生じるトークンは、臨床的に意味のある構造的および機能的性質をコードする分解されたエコー表現を形成する。
  論文  参考訳（メタデータ） (2026-10-09T13:49:04Z)
• Beyond Scalar Scores: Exploring LLM-based Metrics for Clinical Significance Evaluation in Radiology Reports [49.5225801722164]
  既存のメトリクスは、医学的に根拠のないスカラーにレポートの品質を低下させることによって、この要件を曖昧にしている。 テストベッドとしてReEvalMedベンチマークを用いて,この境界について検討し,計量レベルの臨床的意義を評価する。
  論文  参考訳（メタデータ） (2026-06-17T08:10:30Z)
• A methodology to rank importance of frequencies and channels in electromyography data with Decision Tree classifiers [0.0]
  本研究は筋の回復を評価するため,筋電図(EMG)データにおいて最も有意な周波数とチャネルを同定した。 単一の決定木分類器を利用することで、この研究は解釈可能性を高め、特徴の重要性に関する洞察を提供する。 このアプローチは、EMGベースの診断に適応したコンパクトで堅牢なモデルの開発における将来の研究を導くことができる。
  論文  参考訳（メタデータ） (2026-04-06T00:20:26Z)
• Multi-View Stenosis Classification Leveraging Transformer-Based Multiple-Instance Learning Using Real-World Clinical Data [76.89269238957593]
  冠動脈狭窄は心血管疾患の主要な原因であり,多発血管造影で冠動脈を解析し診断した。 患者レベルの狭窄分類のためのトランスフォーマーベースマルチビューマルチインスタンス学習フレームワークであるSegmentMILを提案する。
  論文  参考訳（メタデータ） (2026-02-02T13:07:52Z)
• Tuberculosis Screening from Cough Audio: Baseline Models, Clinical Variables, and Uncertainty Quantification [0.6015898117103067]
  本稿では, 人工結核(TB)検出のための標準化された枠組みを提案し, 機械学習を用いて日常的に収集される臨床データについて述べる。 既存の研究は、データセット、コホート定義、特徴表現、モデルファミリー、バリデーションプロトコル、レポートされたメトリクスで大きく異なります。 我々は,いくつかの国から最近収集されたデータセットから,コークス記録と臨床メタデータを伴って,TB予測のための強力な,文書化されたベースラインを構築した。
  論文  参考訳（メタデータ） (2026-01-12T20:04:05Z)
• Learning to diagnose cirrhosis from radiological and histological labels with joint self and weakly-supervised pretraining strategies [62.840338941861134]
  そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。 我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。 この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
  論文  参考訳（メタデータ） (2023-02-16T17:06:23Z)
• Analysis of a Deep Learning Model for 12-Lead ECG Classification Reveals Learned Features Similar to Diagnostic Criteria [1.055404869921767]
  12誘導心電図分類のための訓練済みディープニューラルネットワーク(DNN)に属性法を適用した。 我々は、公開データセットからデータを分類し、帰属法は、分類された各信号のサンプルに「関連スコア」を割り当てる。
  論文  参考訳（メタデータ） (2022-11-03T12:07:00Z)
• Less is More: Adaptive Curriculum Learning for Thyroid Nodule Diagnosis [50.231954872304314]
  不整合ラベルによるサンプルの発見と破棄を適応的に行うAdaptive Curriculum Learningフレームワークを提案する。 また、TNCD: Thyroid Nodule Classification データセットも提供します。
  論文  参考訳（メタデータ） (2022-07-02T11:50:02Z)
• Faithful learning with sure data for lung nodule diagnosis [34.55176532924471]
  結節分類を確実にするための協調学習フレームワークを提案する。 損失関数は,ノード分割マップに規制された解釈可能性制約を導入することで,信頼性の高い特徴を学習するように設計されている。
  論文  参考訳（メタデータ） (2022-02-25T06:33:11Z)
• Variational Knowledge Distillation for Disease Classification in Chest X-Rays [102.04931207504173]
  我々は,X線に基づく疾患分類のための新しい確率的推論フレームワークである反復的知識蒸留(VKD)を提案する。 提案手法の有効性を,X線画像とEHRを用いた3つの公開ベンチマークデータセットに示す。
  論文  参考訳（メタデータ） (2021-03-19T14:13:56Z)

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。