論文の概要: Diagnosis by Composition: Detecting and Localizing Unseen Diseases by Composing Learned Radiological Findings

• arxiv url: http://arxiv.org/abs/2611.05231v1
• Date: Tue, 03 Nov 2026 17:14:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-07 13:36:44.914383
• Title: Diagnosis by Composition: Detecting and Localizing Unseen Diseases by Composing Learned Radiological Findings
• Title（参考訳）: 構成による診断:学習した放射線学的所見の合成による未確認疾患の検出と局在化
• Abstract要約: 本稿では,この発見優先論理を符号化した表現学習フレームワークであるコンポジションによる診断(DbC)を紹介する。 DbCは画像の特徴をテキストの埋め込みと整列させることで、放射線学的発見の語彙を学習し、それぞれがスキャン上の濃密なマップとして表現される。 DbCは学習するよりもガイドラインから導かれるので、設計によって解釈可能であり、監査可能である。
• 参考スコア（独自算出の注目度）: 26.018618353269275
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep models for radiological diagnosis are typically trained to predict disease labels directly from images, which limits them to diseases seen during training and makes their decisions hard to interpret in radiologists' terms. Radiology, however, proceeds from visual findings to disease through published guidelines that make this decision rule explicit, interpretable, and reproducible. We introduce diagnosis by composition (DbC), a representation learning framework that encodes this findings-first logic. DbC learns a vocabulary of radiological findings by aligning image features with the text embeddings of the findings, each finding represented as a dense map over the scan. A disease is defined by a set of required findings derived from its guidelines, and its diagnosis map is a fixed, parameter-free composition of the corresponding finding maps. Because the finding-to-disease mapping is derived from guidelines rather than learned, DbC is interpretable and auditable by design, can extend to new diseases by specifying their findings without retraining, and can diagnose unseen diseases by composing their findings. On multi-phase liver CT, DbC detects and localizes unseen diseases, rare diseases from a different institution, and an external cohort significantly better than all comparators, including models that align images with disease names. DbC also improves detection and localization in the fully supervised setting and remains superior across training-set sizes. Although demonstrated on liver CT, DbC applies wherever radiological guidelines define diseases through findings.
• Abstract（参考訳）: 放射線診断のための深層モデルは通常、画像から直接疾患のラベルを予測するために訓練され、訓練中に見られる病気に制限され、放射線学者の言葉で解釈するのが困難になる。 しかし、放射線学は、この決定を明確化し、解釈し、再現可能にするガイドラインを公表することで、視覚的な発見から病気へと進む。 本稿では,この発見優先論理を符号化した表現学習フレームワークであるコンポジションによる診断(DbC)を紹介する。 DbCは画像の特徴をテキストの埋め込みと整列させることで、放射線学的発見の語彙を学習し、それぞれがスキャン上の濃密なマップとして表現される。 疾患は、そのガイドラインから得られた一連の必要な発見によって定義され、その診断マップは、対応する発見マップの固定されたパラメータフリーな構成である。 発見・診断マッピングは学習ではなくガイドラインから導かれるため、DbCは設計によって解釈可能で、再学習せずに発見を指定して新しい疾患に拡張することができ、発見を構成することによって、未確認の疾患を診断することができる。 多相肝CTでは、DbCは、画像と疾患名とを一致させるモデルを含む全てのコンパレータよりも、目に見えない疾患、異なる施設からの稀な疾患、および外部コホートを検出およびローカライズする。 DbCはまた、完全に教師された設定における検出とローカライゼーションを改善し、トレーニングセットのサイズよりも優れている。 DbCは肝CTでは証明されているが, 放射線学的ガイドラインでは, 所見を通じて疾患を規定する。

関連論文リスト

• Abn-BLIP: Abnormality-aligned Bootstrapping Language-Image Pre-training for Pulmonary Embolism Diagnosis and Report Generation from CTPA [6.257940655794537]
  Abn-BLIPは放射線診断の精度と包括性を生成するために異常所見の整合を図った高度な診断モデルである。 以上の結果から,Abn-BLIPは最先端の医療ビジョン言語モデルおよび3Dレポート生成手法よりも精度および臨床関連性が高いことがわかった。
  論文  参考訳（メタデータ） (2025-03-03T20:13:39Z)
• Expert Uncertainty and Severity Aware Chest X-Ray Classification by Multi-Relationship Graph Learning [48.29204631769816]
  我々はCXRレポートから病気ラベルを再抽出し,重症度と分類の不確実性を考慮し,より現実的になるようにした。 以上の結果から, 疾患の重症度と不確実性を考慮したモデルが, 従来の最先端手法よりも優れていたことが示唆された。
  論文  参考訳（メタデータ） (2023-09-06T19:19:41Z)
• Cross-Modal Causal Intervention for Medical Report Generation [107.76649943399168]
  放射線医学報告生成(RRG)は, コンピュータ支援診断と薬剤指導に不可欠である。 視覚言語的バイアスによる急激な相関により、正確な病変記述の生成は依然として困難である。 我々はCrossModal Causal Representation Learning (CMCRL)という2段階のフレームワークを提案する。 IU-XrayとMIMIC-CXRの実験により、我々のCMCRLパイプラインは最先端の手法よりも大幅に優れていることが示された。
  論文  参考訳（メタデータ） (2023-03-16T07:23:55Z)
• Generative Residual Attention Network for Disease Detection [51.60842580044539]
  本稿では, 条件付き生成逆学習を用いたX線疾患発生のための新しいアプローチを提案する。 我々は,患者の身元を保存しながら,対象領域に対応する放射線画像を生成する。 次に、ターゲット領域で生成されたX線画像を用いてトレーニングを増強し、検出性能を向上させる。
  論文  参考訳（メタデータ） (2021-10-25T14:15:57Z)
• BI-RADS-Net: An Explainable Multitask Learning Approach for Cancer Diagnosis in Breast Ultrasound Images [69.41441138140895]
  本稿では,乳房超音波画像における癌検出のための新しい深層学習手法であるBI-RADS-Netを紹介する。 提案手法は, 臨床診断に関連する特徴表現を学習することにより, 乳腺腫瘍の説明と分類を行うタスクを取り入れたものである。 臨床医が医療現場で診断・報告するために使用する形態学的特徴の観点から予測(良性または悪性)の説明が提供される。
  論文  参考訳（メタデータ） (2021-10-05T19:14:46Z)
• 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)
• Interpretation of Disease Evidence for Medical Images Using Adversarial Deformation Fields [4.2739669051600275]
  本稿では,病状証拠の空間的説明を定式化し提示する手法を提案する。 逆行訓練されたジェネレータは、疾患患者の画像を変更する変形場を生成し、健康な患者の画像に類似させる。 慢性閉塞性肺疾患(COPD)の胸部X線(CXR)およびアルツハイマー病(AD)の脳MRI所見について検討した。
  論文  参考訳（メタデータ） (2020-07-04T00:51:54Z)
• Dynamic Graph Correlation Learning for Disease Diagnosis with Incomplete Labels [66.57101219176275]
  胸部X線画像上の疾患診断は,多ラベル分類の課題である。 本稿では,異なる疾患間の相互依存を調査する新たな視点を提示する病的診断グラフ畳み込みネットワーク(DD-GCN)を提案する。 本手法は,相関学習のための動的隣接行列を用いた特徴写像上のグラフを初めて構築する手法である。
  論文  参考訳（メタデータ） (2020-02-26T17:10:48Z)

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。