Fugu-MT 論文翻訳(概要): OpenMIBOOD: Open Medical Imaging Benchmarks for Out-Of-Distribution Detection

論文の概要: OpenMIBOOD: Open Medical Imaging Benchmarks for Out-Of-Distribution Detection

arxiv url: http://arxiv.org/abs/2503.16247v1
Date: Thu, 20 Mar 2025 15:43:14 GMT
ステータス: 翻訳完了
システム内更新日: 2025-03-21 16:35:18.799703
Title: OpenMIBOOD: Open Medical Imaging Benchmarks for Out-Of-Distribution Detection
Title（参考訳）: OpenMIBOOD:Out-Of-Distribution Detectionのためのオープンメディカルイメージングベンチマーク
Authors: Max Gutbrod, David Rauber, Danilo Weber Nunes, Christoph Palm,
Abstract要約: 本稿では,OpenMIBOOD(Open Medical Imaging Benchmarks for Out-Of-Distribution Detection)を紹介する。 OpenMIBOODには、さまざまな医療領域からの3つのベンチマークが含まれており、14のデータセットを、共分散内配布、近OOD、遠OODカテゴリに分割している。その結果, 自然画像領域におけるOODベンチマークの結果は医学的応用には変換されないことが明らかとなった。
参考スコア（独自算出の注目度）: 0.8999666725996975
License:
Abstract: The growing reliance on Artificial Intelligence (AI) in critical domains such as healthcare demands robust mechanisms to ensure the trustworthiness of these systems, especially when faced with unexpected or anomalous inputs. This paper introduces the Open Medical Imaging Benchmarks for Out-Of-Distribution Detection (OpenMIBOOD), a comprehensive framework for evaluating out-of-distribution (OOD) detection methods specifically in medical imaging contexts. OpenMIBOOD includes three benchmarks from diverse medical domains, encompassing 14 datasets divided into covariate-shifted in-distribution, near-OOD, and far-OOD categories. We evaluate 24 post-hoc methods across these benchmarks, providing a standardized reference to advance the development and fair comparison of OOD detection methods. Results reveal that findings from broad-scale OOD benchmarks in natural image domains do not translate to medical applications, underscoring the critical need for such benchmarks in the medical field. By mitigating the risk of exposing AI models to inputs outside their training distribution, OpenMIBOOD aims to support the advancement of reliable and trustworthy AI systems in healthcare. The repository is available at https://github.com/remic-othr/OpenMIBOOD.
Abstract（参考訳）: 医療などの重要な領域における人工知能(AI)への依存度の増加は、特に予期せぬ入力や異常な入力に直面した場合に、これらのシステムの信頼性を確保するための堅牢なメカニズムを要求する。本稿では,医用画像に特有なOOD(Out-Of-Distribution Detection)検出手法を総合的に評価するためのOpen Medical Imaging Benchmarks for Out-Of-Distribution Detection (OpenMIBOOD)を紹介する。 OpenMIBOODには、さまざまな医療領域からの3つのベンチマークが含まれており、14のデータセットは、共分散(covariate-shifted in-distriion)、近OOD、遠OODカテゴリに分けられている。我々はこれらのベンチマークで24のポストホック法を評価し、OOD検出法の開発と公正な比較を行うための標準化された基準を提供する。以上の結果から, 画像領域におけるOODベンチマークの大規模化は医学的応用には至らないことが明らかとなり, 医学領域におけるOODベンチマークの重要課題が浮き彫りとなった。トレーニングディストリビューション外のインプットにAIモデルを公開するリスクを軽減することで、OpenMIBOODは、医療における信頼性と信頼性の高いAIシステムの進歩を支援することを目指している。リポジトリはhttps://github.com/remic-othr/OpenMIBOOD.comで公開されている。

関連論文リスト

Comprehensive and Practical Evaluation of Retrieval-Augmented Generation Systems for Medical Question Answering [70.44269982045415]
Retrieval-augmented Generation (RAG) は,大規模言語モデル (LLM) の性能向上のための有望なアプローチとして登場した。医療用QAデータセットに様々な補助的要素を提供するMedRGB(MedRGB)を導入する。実験結果から,検索した文書のノイズや誤情報の処理能力に限界があることが判明した。
論文参考訳（メタデータ） (2024-11-14T06:19:18Z)
Dissecting Out-of-Distribution Detection and Open-Set Recognition: A Critical Analysis of Methods and Benchmarks [17.520137576423593]
我々は,コミュニティ内の2つの大きなサブフィールドの総合的なビュー – アウト・オブ・ディストリビューション(OOD)検出とオープンセット認識(OSR) – を提供することを目指している。我々は,OOD検出における最先端手法とOSR設定との厳密な相互評価を行い,それらの手法の性能の強い相関関係を同定する。我々は,OOD検出とOSRによって取り組まれている問題を解消する,より大規模なベンチマーク設定を提案する。
論文参考訳（メタデータ） (2024-08-29T17:55:07Z)
Unmasking the Chameleons: A Benchmark for Out-of-Distribution Detection in Medical Tabular Data [1.161962828740753]
我々は,近距離OODと遠距離OODを含む一連のテストに対して,異なる手法を比較するベンチマークを提案する。以上の結果から,この問題は遠方のOODでは解決されるが,近方のOODでは未解決であることが明らかとなった。トランスフォーマーアーキテクチャは、ResNetやResNetと比べてはるかに信頼性が低い。
論文参考訳（メタデータ） (2023-09-28T07:52:01Z)
Beyond AUROC & co. for evaluating out-of-distribution detection performance [50.88341818412508]
安全(r)AIとの関連性を考えると,OOD検出法の比較の基礎が実用的ニーズと整合しているかどうかを検討することが重要である。我々は,IDとOODの分離が不十分なことを明示する新しい指標であるAUTC(Area Under the Threshold Curve)を提案する。
論文参考訳（メタデータ） (2023-06-26T12:51:32Z)
BMAD: Benchmarks for Medical Anomaly Detection [51.22159321912891]
異常検出(AD)は、機械学習とコンピュータビジョンの基本的な研究課題である。医用画像では、ADはまれな疾患や病態を示す可能性のある異常の検出と診断に特に重要である。医用画像の異常検出方法を評価するための総合評価ベンチマークを導入する。
論文参考訳（メタデータ） (2023-06-20T20:23:46Z)
OpenOOD: Benchmarking Generalized Out-of-Distribution Detection [60.13300701826931]
アウト・オブ・ディストリビューション(OOD)検出は、安全クリティカルな機械学習アプリケーションにとって不可欠である。この分野では現在、統一的で厳格に定式化され、包括的なベンチマークが欠けている。関連フィールドで開発された30以上のメソッドを実装したOpenOODという,統一的で構造化されたシステムを構築します。
論文参考訳（メタデータ） (2022-10-13T17:59:57Z)
DIAGNOSE: Avoiding Out-of-distribution Data using Submodular Information Measures [13.492292022589918]
類似性と相似性を共同でモデル化できる,新しいアクティブラーニングフレームワークであるDiagnoseを提案する。本実験は, 医用画像の複数の領域にまたがる最先端AL法に対する診断の優位性を検証するものである。
論文参考訳（メタデータ） (2022-10-04T11:07:48Z)
DrugOOD: Out-of-Distribution (OOD) Dataset Curator and Benchmark for AI-aided Drug Discovery -- A Focus on Affinity Prediction Problems with Noise Annotations [90.27736364704108]
我々は、AI支援薬物発見のための体系的なOODデータセットキュレーターおよびベンチマークであるTarmOODを提案する。 DrugOODには、ベンチマークプロセスを完全に自動化するオープンソースのPythonパッケージが付属している。我々は、薬物標的結合親和性予測という、AIDDにおける最も重要な問題の1つに焦点を当てる。
論文参考訳（メタデータ） (2022-01-24T12:32:48Z)
CVAD: A generic medical anomaly detector based on Cascade VAE [2.647674705784439]
我々は、医用画像におけるOOD検出の一般化性に着目し、自己教師付きカスケード変量自動エンコーダに基づく異常検出器(CVAD)を提案する。我々は,複数のスケールで潜在表現を結合した変分オートエンコーダのカスケードアーキテクチャを用いて,OODデータを分布内(ID)データと区別するために識別器に供給する。我々は、最先端のディープラーニングモデルと比較し、クラス内およびクラス間OODのための様々なオープンアクセス医療画像データセットにおいて、我々のモデルの有効性を実証する。
論文参考訳（メタデータ） (2021-10-29T14:20:43Z)
MedPerf: Open Benchmarking Platform for Medical Artificial Intelligence using Federated Evaluation [110.31526448744096]
この可能性を解き明かすには、大規模な異種データに対して医療AIモデルの性能を測定する体系的な方法が必要である、と私たちは主張する。 MedPerfは、医療分野で機械学習をベンチマークするためのオープンフレームワークです。
論文参考訳（メタデータ） (2021-09-29T18:09:41Z)

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。