論文の概要: GroundSeek-CXR: Retrospective Evaluation-Guided Active Observation Framework for Multi-Label Chest Radiography Diagnosis

• arxiv url: http://arxiv.org/abs/2611.04286v1
• Date: Tue, 03 Nov 2026 04:14:56 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-04 17:52:28.725171
• Title: GroundSeek-CXR: Retrospective Evaluation-Guided Active Observation Framework for Multi-Label Chest Radiography Diagnosis
• Title（参考訳）: GroundSeek-CXR:マルチラベル胸部X線診断のための反射型能動観察フレームワーク
• Abstract要約: そこで我々は,CXR 診断フレームワーク GroundSeek-CXR を提案する。 我々のフレームワークは最先端の手法より優れており、即時選好学習よりも4.48%向上している。
• 参考スコア（独自算出の注目度）: 10.360515846445294
• License:
• Abstract: Chest radiography (CXR) diagnosis is critical for thoracic disease assessment, yet challenged by the need to identify subtle lesions and co-occurring abnormalities across regions. While recent vision-language models can actively observe local regions, existing preference-based methods supervise each observation by its immediate effect on the current diagnosis, failing to capture how each observation and stopping decision contributes to the final diagnosis. To address this issue, we propose GroundSeek-CXR, an active CXR diagnosis framework that learns observation and stopping decisions by retrospectively evaluating them with the final diagnosis. Specifically, we first devise a Retrospective Diagnostic Evaluation (RDE) that scores observation and stop candidates from offline Monte Carlo tree search through independent continuations. Moreover, we design a Retrospective Gap-weighted Preference Optimization (RGPO) that learns from retrospective-score preferences weighted by their score gaps, prioritizing actions that improve diagnostic accuracy. Extensive experiments demonstrate that our GroundSeek-CXR framework outperforms state-of-the-art methods, and improves abnormal-image sample-F1 by 4.48% over immediate-score preference learning.
• Abstract（参考訳）: 胸部X線撮影 (CXR) の診断は胸部疾患評価に重要であるが, 微妙な病変を同定し, 局所的に異常を併発する必要性が指摘されている。 最近の視覚言語モデルは地域を積極的に観察できるが、既存の嗜好に基づく手法では、現在の診断に対する即時効果によって各観察を監督し、各観察と停止の決定がどのように最終診断に寄与するかを捉えていない。 この問題に対処するため,本論文では,最終診断を遡及的に評価することで,観察と意思決定の停止を学習するアクティブなCXR診断フレームワークであるGroundSeek-CXRを提案する。 具体的には,まずRDE(Retrospective Diagnostic Evaluation)を考案し,独立継続によるモンテカルロ樹のオフライン探索から候補者を排除した。 さらに、スコアギャップによって重み付けされた振り返りスコアの好みから学習し、診断精度を向上させる行動の優先順位付けを行うRGPO(Retrospective Gap-weighted Preference Optimization)を設計する。 広汎な実験により,本フレームワークは最先端の手法より優れており,即時選好学習よりも4.48%向上していることがわかった。

関連論文リスト

• PDD-RRG: Posterior Diagnostic Decision for Study-level Radiology Report Generation [19.00046711803022]
  本稿では,競合する診断を統合化するためのPDD-RRG(Posterior Diagnostic Decision framework)を提案する。 具体的には、入力データの様々なサブセットを作成し、既存のRRGモデルを用いて異なる視点からレポートを生成する。 MIMIC-CXRを用いた実験により,提案したPDD-RRGは,既存のRRGモデルのリトレーニングなしで臨床効果を効果的に向上できることが示された。
  論文  参考訳（メタデータ） (2026-08-04T03:12:34Z)
• Rethinking Clinical Relevance in Chest X-ray Machine Learning: How Evaluation References Define Performance [26.96793950588378]
  機械学習は、臨床判断の近似を目的とした基準基準を用いた自動評価に大きく依存する。 病理分類と画像品質評価の両方において,評価基準選択がモデル性能とランキングに与える影響について検討した。
  論文  参考訳（メタデータ） (2026-07-28T23:11:04Z)
• Evaluating Multi-Turn Multimodal Diagnostic Reasoning on Challenging Real-World Clinical Cases [59.5328455571863]
  ClinMM-Benchは、これまでで最大のマルチターンマルチモーダル臨床診断評価ベンチマークである。 実際の患者は1,089件、医療画像は3,760件、専門は8件。 プロプライエタリモデルでは診断精度が最も高かったが、正確な診断の割合は限られていた。
  論文  参考訳（メタデータ） (2026-07-28T16:19:03Z)
• SHOVIR: A Benchmark for Evaluating Vision Shortcut Learning in Radiology Report Generation [1.5782980044380892]
  放射線診断におけるビジョン・ランゲージモデルに対する現在の評価プロトコルは、語彙重なりを計測するレポートレベルの指標や、総合的な臨床的正確性に依存している。 本稿では、RRGにおける視覚ショートカット動作を評価するためのベンチマークであるSHOVIRを紹介する。
  論文  参考訳（メタデータ） (2026-06-29T12:17:35Z)
• Clinical Cognition Alignment for Gastrointestinal Diagnosis with Multimodal LLMs [63.535652574541764]
  MLLM(Multimodal Large Language Models)は医用画像解析において顕著な可能性を示した。 消化器内視鏡におけるそれらの応用は、現在、2つの重要な限界によって妨げられている。 本稿では,これらの課題に対処する新しい臨床認知アライメント(CogAlign)フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-21T07:47:37Z)
• Mind the Rarities: Can Rare Skin Diseases Be Reliably Diagnosed via Diagnostic Reasoning? [31.103598483020857]
  大規模視覚言語モデル(LVLM)は皮膚学において強い性能を示す。 稀な疾患に対する診断的推論は ほとんど未発見のままです このデータセットには26,030のマルチモーダル画像テキストペアと6,354の臨床的に困難な症例が含まれている。 LVLMをリードするベンチマーク22は、診断精度、鑑別診断、臨床推論に重大な欠陥を呈する。
  論文  参考訳（メタデータ） (2026-03-19T02:25:36Z)
• 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)
• Timely Clinical Diagnosis through Active Test Selection [49.091903570068155]
  本稿では,現実の診断推論をよりうまくエミュレートするためのACTMED (Adaptive Clinical Test selection via Model-based Experimental Design)を提案する。 LLMは柔軟なシミュレータとして機能し、構造化されたタスク固有のトレーニングデータを必要とせずに、患者状態のもっともらしい分布を生成し、信念の更新をサポートする。 我々は、実世界のデータセット上でACTMEDを評価し、診断精度、解釈可能性、リソース使用量を改善するためにテスト選択を最適化できることを示す。
  論文  参考訳（メタデータ） (2025-10-21T18:10:45Z)
• PathBench: A comprehensive comparison benchmark for pathology foundation models towards precision oncology [33.51485504161335]
  病理基盤モデル(PFM)の最初の包括的なベンチマークであるPathBenchを紹介する。 我々のフレームワークは大規模データを組み込んで,PFMの客観的比較を可能にする。 当院では10病院で8,549人の患者から15,888件のWSIを収集し,64件以上の診断・予後調査を行った。
  論文  参考訳（メタデータ） (2025-05-26T16:42:22Z)
• Improving Classification Model Performance on Chest X-Rays through Lung Segmentation [63.45024974079371]
  本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。 提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
  論文  参考訳（メタデータ） (2022-02-22T15:24:06Z)

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。