論文の概要: Measuring What Matters: A Causal Reliance Score for Histopathology Image Segmentation

• arxiv url: http://arxiv.org/abs/2610.41763v1
• Date: Fri, 30 Oct 2026 14:05:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-02 22:05:31.763247
• Title: Measuring What Matters: A Causal Reliance Score for Histopathology Image Segmentation
• Title（参考訳）: 病理組織像分離のための因果信頼スコア
• Abstract要約: 信頼性の高い病理組織学的セグメンテーションは、急激な背景相関ではなく、病理関連構造に依存するモデルを必要とする。 本研究では,前景組織構造に対するモデル感度と背景/領域変動を明示的に調査する制御介入に基づく因果性インスピレーション評価フレームワークを提案する。 本研究は, 医療画像分割システムの開発において, ファクトファクト介入によるモデル行動の評価が重要であることを示唆する。
• 参考スコア（独自算出の注目度）: 6.25726101160904
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Reliable histopathology segmentation requires models that rely on pathology-relevant structures rather than spurious background correlations. In this work, we argue that improving architectures alone is insufficient if models continue to rely on spurious correlations rather than pathology-relevant features. We introduce a causality-inspired evaluation framework based on controlled interventions that explicitly probes model sensitivity to foreground tissue structure and background/domain variation. Building on this, we propose the Causal Reliance Score (CRS), a metric that quantifies the relative sensitivity of model predictions to foreground perturbation versus background/domain variation under controlled interventions. To support this analysis, we design augmentation strategies that act as implicit counterfactual interventions during training, encouraging invariance to nuisance factors while preserving morphology. We demonstrate how these interventions reveal behavioural differences between models that are not captured by standard metrics such as Dice or IoU. While we instantiate our framework using a self-supervised transformer (CAUSE-ViT), the primary contribution of this work is not a new architecture, but a principled intervention-based methodology and evaluation metric for auditing model behaviour in medical image segmentation. Our results suggest that evaluating model behaviour through counterfactual interventions is essential for developing reliable and clinically robust medical image segmentation systems.
• Abstract（参考訳）: 信頼性の高い病理組織学的セグメンテーションは、急激な背景相関ではなく、病理関連構造に依存するモデルを必要とする。 この研究では、モデルが病理関連機能よりも急激な相関に頼っていけば、アーキテクチャの改善だけでは不十分である、と論じる。 本研究では,前景組織構造に対するモデル感度と背景/領域変動を明示的に調査する制御介入に基づく因果性インスピレーション評価フレームワークを提案する。 そこで本研究では,前景摂動に対するモデル予測の相対感度を,制御介入下での背景/領域変動に対して定量化する指標であるCausal Reliance Score(CRS)を提案する。 この分析を支援するために,学習中の暗黙の反ファクト的介入として機能する拡張戦略を設計し,形態を保ちながらニュアンス要因への不変性を奨励する。 これらの介入が、DiceやIoUのような標準メトリクスによってキャプチャされないモデル間の振る舞いの違いを明らかにする方法を示す。 自己教師型トランスフォーマー(CAUSE-ViT)を用いてフレームワークをインスタンス化するが、本研究の主な貢献は、新しいアーキテクチャではなく、医療画像セグメンテーションにおけるモデル動作の監査のための介入に基づく方法論と評価指標である。 本研究は, 医療画像分割システムの開発において, ファクトファクト介入によるモデル行動の評価が重要であることを示唆する。

関連論文リスト

• The Good, the Bad, and the Brittle: Benchmarking Robustness and Generalisation of Histopathology Foundation Models [0.1274452325287335]
  12の病理基盤モデル(PFM)とResNetのベースラインをベンチマークした。 PFMは、堅牢性とドメインの一般化の両方においてCNNを一貫して上回っているが、モデルスケーリングはリターンの低下を示している。 NR-Kfold解析では,訓練とテストの類似性が破られた場合,系統的精度の低下と変動の増大が明らかになった。
  論文  参考訳（メタデータ） (2026-07-05T16:49:09Z)
• CIPHER: Causal Intervention Pathways for Healthcare Equity and Robustness [12.8473199678431]
  構造因果モデルを用いて医用画像形成過程を定式化する。 CIPHERは4つの因果経路すべてに介入するように設計されたフレームワークである。 マルチパス介入戦略を用いて,最悪のグループ格差を平均35.8%削減した。
  論文  参考訳（メタデータ） (2026-07-01T09:36:53Z)
• PathAR: Structure-First Autoregressive Synthesis of Multimodal Pathology Images [51.428093790826814]
  そこで我々は, モーダリティ・ラベル条件付き病理モデル (PathAR) を用いて, 構造と外観を分解し, 自己回帰モデル(PathAR)を提案する。 PathARは、不均一なモダリティ固有の外観下で形態を安定化し、空間的に整列したイメージマスクペア生成を可能にする。
  論文  参考訳（メタデータ） (2026-06-01T01:43:48Z)
• From Static Risk to Dynamic Trajectories: Toward World-Model-Inspired Clinical Prediction [61.12883122613684]
  本稿では, 患者固有の縦断疾患の進展を推定し, 代替治療下での軌跡変化を評価するための, 臨床AIにおける介入認識型疾患軌跡モデリングに焦点をあてる。 3つの意思決定タスク(実測,反実推定,政策評価)と3つのデータ生成機構(障害発生, 治療課題, 観察過程)によって, 識別可能性を決定する。 本稿では,個別/連続時間にまたがる予測,反ファクト的軌跡,政策評価の統一的な枠組みを提案する。
  論文  参考訳（メタデータ） (2026-05-16T10:45:26Z)
• Delving Aleatoric Uncertainty in Medical Image Segmentation via Vision Foundation Models [56.29123284262618]
  本研究は,視覚基盤モデルの普遍的表現能力を生かして固有データ不確実性を推定することを提案する。 モデルのデコード表現の特徴の多様性を分析し,その特異値エネルギーを定量化し,各クラスに対する意味知覚尺度を定義する。 この基礎に基づいて,本研究は,(1)潜在的にノイズの多いサンプルを排除し,モデル学習品質を向上させるためのアレータリック不確実性認識データフィルタリング機構,(2)意味認識尺度に基づくトレーニング中にクラス固有の損失重みを適応的に調整する動的不確実性認識最適化戦略,およびトレーニング安定性を向上させるラベル認知機構の2つの不確実性駆動型アプリケーション戦略を設計する。
  論文  参考訳（メタデータ） (2026-04-13T03:59:54Z)
• CLEAR: Causal Learning Framework For Robust Histopathology Tumor Detection Under Out-Of-Distribution Shifts [2.0327514588332996]
  病理学におけるドメインシフトは、ディープラーニングモデルの一般化能力に大きな課題をもたらす。 本稿では,共同創設者の影響を緩和しつつ,意味的特徴を活用した因果推論に基づく新しいフレームワークを提案する。 我々はCAMELYON17データセットとプライベートな病理組織学データセットを用いて本手法の有効性を検証し,未確認領域における一貫した性能向上を実証した。
  論文  参考訳（メタデータ） (2025-10-16T03:45:31Z)
• Predictive Causal Inference via Spatio-Temporal Modeling and Penalized Empirical Likelihood [0.0]
  本研究では,従来の単一モデルアプローチの制約を克服する目的で設計された,予測因果推論のための統合フレームワークを提案する。 具体的には、空間的健康状態推定のための隠れマルコフモデルと、時間的結果の軌跡を捉えるためのマルチタスクとマルチグラフ畳み込みネットワーク(MTGCN)を組み合わせる。 有用性を示すために,がん,認知症,パーキンソン病などの臨床領域に焦点を当て,治療効果を直接観察することが困難である。
  論文  参考訳（メタデータ） (2025-07-11T03:11:15Z)
• Causal Inference via Nonlinear Variable Decorrelation for Healthcare Applications [60.26261850082012]
  線形および非線形共振の両方を扱う可変デコリレーション正規化器を用いた新しい手法を提案する。 我々は、モデル解釈可能性を高めるために、元の特徴に基づくアソシエーションルールマイニングを用いた新しい表現として、アソシエーションルールを採用する。
  論文  参考訳（メタデータ） (2022-09-29T17:44:14Z)
• Benchmarking Heterogeneous Treatment Effect Models through the Lens of Interpretability [82.29775890542967]
  治療のパーソナライズされた効果を見積もるのは複雑だが、普及している問題である。 ヘテロジニアス処理効果推定に関する機械学習文献の最近の進歩は、洗練されたが不透明なツールの多くを生み出した。 我々は、ポストホックな特徴重要度法を用いて、モデルの予測に影響を及ぼす特徴を特定する。
  論文  参考訳（メタデータ） (2022-06-16T17:59:05Z)
• Estimating the Effects of Continuous-valued Interventions using Generative Adversarial Networks [103.14809802212535]
  我々は,連続的評価介入の効果を推定する問題に対処するため,GAN(Generative Adversarial Network)フレームワークを構築した。 我々のモデルであるSCIGANは柔軟であり、いくつかの異なる継続的な介入に対する対実的な結果の同時推定が可能である。 継続的な介入に移行することによって生じる課題に対処するために、差別者のための新しいアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2020-02-27T18:46:21Z)

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。