論文の概要: APED-CXR: Adaptive Privileged Evidence Distillation for Chest X-Ray Grounding with Image-Only Inference

• arxiv url: http://arxiv.org/abs/2610.29740v1
• Date: Wed, 21 Oct 2026 13:39:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-23 00:40:06.374626
• Title: APED-CXR: Adaptive Privileged Evidence Distillation for Chest X-Ray Grounding with Image-Only Inference
• Title（参考訳）: APED-CXR:画像オンリー推論による胸部X線接地のための適応的プリビデンス蒸留法
• Abstract要約: APED-CXRは、凍結したマルチモーダル教師から111万のパラメータを持つ学生にレポートインフォームされた空間証拠を蒸留する。 訓練中、教師は、生徒の現在のエビデンスマップから提案された地域を評価するために、ラジオグラフ、レポート、およびクエリークラスを使用する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Compact chest X-ray (CXR) models that localize findings suit deployment, but box annotations are limited and report-aware multimodal models are expensive at inference. We introduce APED-CXR, which distills report-informed spatial evidence from a frozen multimodal teacher into a student with 11.1M parameters that predicts diseases and boxes from shared evidence maps and requires the image alone at test time. During training, the teacher uses the radiograph, report, and queried class to evaluate regions proposed from the student's current evidence maps, and its support scores serve as training targets for the student's pooled evidence scores within these regions. Trained on PadChest and evaluated on held-out PadChest-GR, refreshing the student's proposals for teacher evaluation improves box-level localization F1 from 0.302 with fixed warm-up proposals to 0.338 (IoU >= 0.5; gain 0.036, 95% CI [0.022, 0.049]), while maintaining diagnostic AUC. This gain depends on the teacher checking current proposals: with equally many random boxes, a fixed dense box set, teacher-generated boxes, or report rules instead of the teacher, F1 stays near the fixed-proposal level, and proposals two refreshes old recover only part of the gain. On NIH ChestX-ray14, a secondary test set, box recall also rises from 0.423 to 0.447.
• Abstract（参考訳）: 発見の配置をローカライズする小型胸部X線(CXR)モデルでは,ボックスアノテーションは限定的であり,レポート対応マルチモーダルモデルは推論に高価である。 本稿では,APED-CXRについて紹介する。これは,凍結したマルチモーダル教師から,共有エビデンスマップから疾患やボックスを予測し,テスト時に単独で画像を必要とする111万のパラメータを持つ学生に,レポートインフォームされた空間証拠を蒸留するものだ。 授業中、教師は、学生の現在のエビデンスマップから提案された地域を評価するために、ラジオグラフ、レポート、クエリークラスを使用し、そのサポートスコアは、これらの領域内で生徒のプールされたエビデンススコアのトレーニングターゲットとして機能する。 PadChestでトレーニングし、PadChest-GRで評価し、教師評価のための学生の提案を更新すると、ボックスレベルのローカライゼーション F1 は 0.302 から 0.338 (IoU >= 0.5; get 0.036, 95% CI [0.022, 0.049]) に改善され、診断AUC は維持される。 同様に多くのランダムボックス、固定された密集したボックスセット、教師生成のボックス、あるいはレポートルールによって、F1は固定プロモーサルレベル近くにとどまり、2つの古いリフレッシュが利得の一部のみを回復する。 第二テストセットであるNIH ChestX-ray14では、ボックスリコールも0.423から0.447に上昇する。

関連論文リスト

• SCCL-DT: Semantic-Conflict-Aware Contrastive Learning with Dual-Rule Teacher Distillation for Zero-Shot Chest X-Ray Diagnosis [28.733462944451443]
  対照的な視覚言語による事前訓練は、ゼロショット胸部X線診断をサポートする。 標準目的は、バッチ内のすべての対角外イメージ-リポートペアを負として扱う。 セマンティック・コンフリクト・アウェア・コントラスト学習を提案する。
  論文  参考訳（メタデータ） (2026-10-15T15:44:40Z)
• Simplifying and Improving On-Policy Distillation for Few-Step Diffusion [60.45650436067934]
  少ない段階の蒸留は拡散・流動モデルのサンプリングコストを低減させるが、既存の手法では補助的なスコアモデルや特殊なアーキテクチャを必要とすることが多い。 4-NFE生成の基盤として, 簡易なオン・ポリティクス速度回帰法がすでに有効であることを示す。 本稿では,学習者の区間平均予測から局所的な補正を分離する訓練専用残差プロキシであるPivotを紹介する。
  論文  参考訳（メタデータ） (2026-10-13T14:35:46Z)
• DMAD: Distribution Matching as Adversarial Distillation for Fast Visual Generation [50.43969311607643]
  DMAD, Distribution Matching as Adversarial Distillationを導入し, 分布マッチングを分類として再放送する。 判別器では,これらの損失が分布マッチングの基礎となるDMDを回復することを示す。 DMADはFréchet Inception Distance (FID) 1.04、ImageNet-64x64 14.47、COCO-10Kの4ステップSDXL、VBenchの合計スコアは85.15、Wan2.1-T2V-14Bである。
  論文  参考訳（メタデータ） (2026-10-01T17:59:01Z)
• TISD: On-Policy Self-Distillation with Trajectory Intervention [13.94224055378737]
  On-policy Self-distillation (OPSD) は、高密度の教師ターゲットを提供するが、学生サンプルのロールアウトに沿ってのみ評価する。 単純な分岐再生蒸留アルゴリズムであるトラジェクトリ・インターベンション・セルフ蒸留(TISD)を導入する。 TISDは教師が選択したブランチアクションを強制し、サフィックス生成を生徒に返却し、特権条件付き教師の下で完全な軌跡を蒸留する。
  論文  参考訳（メタデータ） (2026-09-25T06:37:02Z)
• Pre-training, Reasoning, Benchmarking: X-ray Report Generation on CheXpert Plus Dataset [64.51646260227491]
  X線画像に基づく放射線診断レポート生成(RRG)は、医療人工知能における重要な研究方向である。 近年の大幅な進歩にもかかわらず、この分野は、不十分な標準ベンチマークに起因する明らかなボトルネックに直面している。 我々は,CheXpert Plus上の一般的なX線レポート生成モデルと大規模言語モデルを含むベンチマークを確立する。
  論文  参考訳（メタデータ） (2026-09-23T10:35:18Z)
• Beyond Benchmark Scores: Auditing Medical Vision-Language Models for Chest X-Ray Tuberculosis Screening [7.698602367824994]
  医学モデルのベンチマークスコアは、同じ結論が異なる評価の下で成り立つことを証明していない。 本研究は,コホート,プロンプト,負スペクトル,特定の有病率,動作しきい値の変化がモデルランキング,スコア信頼性,スクリーニング性能に与える影響を検証した。
  論文  参考訳（メタデータ） (2026-09-18T13:33:57Z)
• Zone of Proximal Policy Optimization: Teacher in Prompts, Not Gradients [89.89504265663057]
  近親政策最適化ゾーン(ZPPO)は、ヴィゴツキーの近親開発ゾーンに触発されたものである。 ZPPOは1つの正しい教師の反応と1つの間違った学生の反応を、生徒が識別しなければならない匿名候補としてペアリングする。 プロンプト再生バッファは、生徒の平均ロールアウト精度が半分に達するか、FIFOが削除されるまで、各難問を再循環する。
  論文  参考訳（メタデータ） (2026-06-16T17:46:02Z)
• A Reasoning-Enabled Vision-Language Foundation Model for Chest X-ray Interpretation [48.23500302185585]
  CXR解釈のための推論可能な視覚言語モデルであるCheXOneを提案する。 CheXOneは、診断予測と明示的で臨床的に根拠付けられた推論トレースを共同で生成する。 55%のケースでは,CheXOneドラフトレポートは常駐レポートと同等かそれ以上であることがわかった。
  論文  参考訳（メタデータ） (2026-04-01T05:19:09Z)
• Loss Design and Architecture Selection for Long-Tailed Multi-Label Chest X-Ray Classification [0.0]
  長期分布クラスはマルチラベル胸部X線分類において重要な課題である。 我々は,CXR-LT 2026ベンチマークを用いて,損失関数,CNNバックボーンアーキテクチャ,後学習戦略の体系的評価を行った。 本実験は,遅延再重み付けによるLDAMが標準BCEと非対称な損失を常に上回っていることを示す。
  論文  参考訳（メタデータ） (2026-03-02T17:33:00Z)
• Overview of the CXR-LT 2026 Challenge: Multi-Center Long-Tailed and Zero Shot Chest X-ray Classification [14.263392973355666]
  我々は,CXR-LT 2026チャレンジを提示する。 このベンチマークの第3回では、PadChestとNIH Chest X線データセットから145,000以上のイメージで構成されるマルチセンターデータセットが導入されている。 課題は,(1)既知の30のクラスに対するロバストなマルチラベル分類,(2)未発見の6つのレアな病気クラスへのオープンワールド一般化,の2つの中核課題を定義する。 トップパフォーマンスチームの結果を報告し、平均的平均精度(mAP)、AUROC、F1スコアで評価する。
  論文  参考訳（メタデータ） (2026-02-25T16:39:21Z)
• Attention-based Saliency Maps Improve Interpretability of Pneumothorax Classification [52.77024349608834]
  視覚変換器(ViT)の胸部X線撮影(CXR)分類性能と注意ベース唾液の解釈可能性について検討する。 ViTは、CheXpert、Chest X-Ray 14、MIMIC CXR、VinBigDataの4つの公開データセットを用いて、肺疾患分類のために微調整された。 ViTsは最先端のCNNと比べてCXR分類AUCに匹敵するものであった。
  論文  参考訳（メタデータ） (2023-03-03T12:05:41Z)

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。