糖尿病视网膜病变单域泛化：一种神经符号学习方法
流体动力学
2025-09-04 v1
摘要
域泛化是医学影像中的关键挑战，训练的模型常在现实分布迁移下失败。我们提出了 KG-DG，一种用于糖尿病视网膜病变 (DR) 分类的神经符号框架，集成了视觉转换器与专家引导的符号推理，以实现跨不可见域的稳健泛化。该方法利用临床病灶本体论构建结构化、基于规则的特征和视网膜血管分割，将其与深层视觉表示融合，通过置信度加权集成策略。该框架通过最小化域嵌入之间的 KL 散度，实现高级临床语义的对齐，从而解决单域泛化 (SDG) 和多域泛化 (MDG)。在四个公开数据集 (APTOS、EyePACS、Messidor-1、Messidor-2) 上的大量实验显示，显著改进：在跨域设置下实现了最高 5.2% 的准确率提升，相较于现有基线 ViT 模型提升 6%。值得注意的是，符号-only 模型在 MDG 中实现了 63.67% 的平均准确率，而完整的神经符号集成在具有挑战性的 SDG 场景中达到最高准确率。消融研究表明，病灾基因特征 (84.65% 准确率) 明显优于纯神经方法，确认符号组件不仅在提升可解释性方面发挥作用，还作为有效正则化器。我们的发现确立了神经符号集成作为构建临床上稳健且域无关医学 AI 系统的有前景的范式。
引用
@article{arxiv.2509.02917,
title = {Multi-Objective Aerodynamic Optimization of Ride Height and Rake Angle in a Sedan Car Using CFD and Machine Learning},
author = {Mahdi Kheirkhah and Ehsan Roohi and Mahmoud Pasandidehfard},
journal= {arXiv preprint arXiv:2509.02917},
year = {2025}
}