論文の概要: AI-Assisted Decision-Making for Clinical Assessment of Auto-Segmented Contour Quality
- arxiv url: http://arxiv.org/abs/2505.00308v1
- Date: Thu, 01 May 2025 05:05:35 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-02 19:15:55.228918
- Title: AI-Assisted Decision-Making for Clinical Assessment of Auto-Segmented Contour Quality
- Title（参考訳）: 自動分別輪郭品質の臨床的評価のためのAIによる意思決定
- Authors: Biling Wang, Austen Maniscalco, Ti Bai, Siqiu Wang, Michael Dohopolski, Mu-Han Lin, Chenyang Shen, Dan Nguyen, Junzhou Huang, Steve Jiang, Xinlei Wang,
- Abstract要約: 本研究は,放射線治療における自己生成輪郭(自動輪郭)の評価のための,Deep Learning (DL)-based Quality Assessment (QA) アプローチを提案する。
自動輪郭品質を分類し,予測の不確実性を定量化するBOCモデルを開発した。
- 参考スコア（独自算出の注目度）: 26.515820817039042
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Purpose: This study presents a Deep Learning (DL)-based quality assessment (QA) approach for evaluating auto-generated contours (auto-contours) in radiotherapy, with emphasis on Online Adaptive Radiotherapy (OART). Leveraging Bayesian Ordinal Classification (BOC) and calibrated uncertainty thresholds, the method enables confident QA predictions without relying on ground truth contours or extensive manual labeling. Methods: We developed a BOC model to classify auto-contour quality and quantify prediction uncertainty. A calibration step was used to optimize uncertainty thresholds that meet clinical accuracy needs. The method was validated under three data scenarios: no manual labels, limited labels, and extensive labels. For rectum contours in prostate cancer, we applied geometric surrogate labels when manual labels were absent, transfer learning when limited, and direct supervision when ample labels were available. Results: The BOC model delivered robust performance across all scenarios. Fine-tuning with just 30 manual labels and calibrating with 34 subjects yielded over 90% accuracy on test data. Using the calibrated threshold, over 93% of the auto-contours' qualities were accurately predicted in over 98% of cases, reducing unnecessary manual reviews and highlighting cases needing correction. Conclusion: The proposed QA model enhances contouring efficiency in OART by reducing manual workload and enabling fast, informed clinical decisions. Through uncertainty quantification, it ensures safer, more reliable radiotherapy workflows.
- Abstract（参考訳）: 目的: 本研究は, オンライン適応放射線療法(OART)を中心に, 放射線治療における自己生成輪郭(自動輪郭)の評価のための, 深層学習(DL)に基づく品質評価(QA)手法を提案する。
ベイズ標準分類(BOC)とキャリブレーションされた不確実性しきい値を活用することにより、地上の真実の輪郭や広範囲な手動ラベリングに頼ることなく、確実なQA予測を可能にする。
方法: 自動輪郭品質を分類し, 予測の不確かさを定量化するBOCモデルを開発した。
臨床精度を満たす不確実性しきい値の最適化に校正法が用いられた。
この方法は、手動ラベル、限定ラベル、広範囲なラベルの3つのデータシナリオで検証された。
前立腺癌における直腸輪郭について,手動ラベルが欠如している場合の幾何的代理ラベル,制限された場合の転帰学習,およびアンプルラベルが利用可能であった場合の直接監督を行った。
結果: BOCモデルはすべてのシナリオで堅牢なパフォーマンスを実現しました。
わずか30個の手動ラベルと34名の被験者による校正による微調整は、テストデータで90%以上精度が得られた。
校正しきい値を用いて、自動輪郭の品質の93%以上が98%以上のケースで正確に予測され、不要なマニュアルレビューが減少し、修正が必要なケースが強調された。
結論: 提案したQAモデルは,手作業量を削減し,迅速な臨床診断を可能にすることにより,OARTのコントラクション効率を向上させる。
不確実性の定量化によって、より安全で信頼性の高い放射線治療ワークフローが保証される。
関連論文リスト
- Learning Conformal Abstention Policies for Adaptive Risk Management in Large Language and Vision-Language Models [3.958317527488534]
大きな言語と視覚言語モデル(LLMs/VLMs)は、安全クリティカルなアプリケーションでますます使われている。
不確かさの定量化は、予測の信頼性を評価するのに役立ち、不確実性が高い場合の回避を可能にする。
本稿では,学習可能な禁忌法を提案し,強化学習(RL)と整形予測(CP)を統合して禁忌閾値を最適化する。
論文 参考訳（メタデータ） (2025-02-08T21:30:41Z) - Ask for More Than Bayes Optimal: A Theory of Indecisions for Classification [1.8434042562191815]
選択的分類は、リスクの高いシナリオにおける自動意思決定のための強力なツールである。
私たちのゴールは、自動ではない観察である不確定の数を最小化することです。
不確定性を用いることで、ベイズ最適誤差率以下であっても、ユーザ指定レベルの誤分類率を制御することができる。
論文 参考訳（メタデータ） (2024-12-17T11:25:51Z) - Quality assurance of organs-at-risk delineation in radiotherapy [7.698565355235687]
放射線治療計画において,腫瘍標的と臓器の脱線は重要である。
自動セグメンテーションの品質保証は、まだ臨床実践において必要ではない。
提案手法は,一級分類フレームワークにおける残差ネットワークとアテンション機構を導入し,様々な種類のOAR輪郭誤差を高精度に検出することができた。
論文 参考訳（メタデータ） (2024-05-20T02:32:46Z) - Pearls from Pebbles: Improved Confidence Functions for Auto-labeling [51.44986105969375]
しきい値に基づく自動ラベル付け(TBAL)は、上記のモデルの信頼度スコアのしきい値を見つけ、ラベルなしのデータポイントを正確にラベル付けすることで機能する。
本稿では,近位TBAL信頼度関数の研究のための枠組みを提案する。
本稿では,TBALシステムの性能を最大化するポストホック法を提案する。
論文 参考訳（メタデータ） (2024-04-24T20:22:48Z) - Calibrated Uncertainty Quantification for Operator Learning via
Conformal Prediction [95.75771195913046]
本稿では, リスク制御型量子ニューラル演算子, 分布のない有限サンプル機能キャリブレーション等式予測法を提案する。
関数領域上の点の期待値として定義されるカバレッジ率に関する理論的キャリブレーションを保証する。
2次元ダーシー流と3次元自動車表面圧力予測タスクに関する実験結果から,我々の理論的結果が検証された。
論文 参考訳（メタデータ） (2024-02-02T23:43:28Z) - Calibration by Distribution Matching: Trainable Kernel Calibration
Metrics [56.629245030893685]
カーネルベースのキャリブレーションメトリクスを導入し、分類と回帰の両方で一般的なキャリブレーションの形式を統一・一般化する。
これらの指標は、異なるサンプル推定を許容しており、キャリブレーションの目的を経験的リスク最小化に組み込むのが容易である。
決定タスクにキャリブレーションメトリクスを調整し、正確な損失推定を行ない、後悔しない決定を行うための直感的なメカニズムを提供する。
論文 参考訳（メタデータ） (2023-10-31T06:19:40Z) - Uncertainty Aware Training to Improve Deep Learning Model Calibration
for Classification of Cardiac MR Images [3.9402047771122812]
予測の不確実性の定量化は、より信頼できるAIモデルを開発する方法の1つとして特定されている。
我々は,2つの最先端アプローチと比較して,新しい不確実性を考慮した3つのトレーニング戦略を評価する。
論文 参考訳（メタデータ） (2023-08-29T09:19:49Z) - Towards Reliable Medical Image Segmentation by utilizing Evidential Calibrated Uncertainty [52.03490691733464]
本稿では,医療画像セグメンテーションネットワークにシームレスに統合可能な,実装が容易な基礎モデルであるDEviSを紹介する。
主観的論理理論を利用して、医用画像分割の問題に対する確率と不確実性を明示的にモデル化する。
DeviSには不確実性を考慮したフィルタリングモジュールが組み込まれている。
論文 参考訳（メタデータ） (2023-01-01T05:02:46Z) - Modeling Disagreement in Automatic Data Labelling for Semi-Supervised
Learning in Clinical Natural Language Processing [2.016042047576802]
放射線学報告における観測検出問題に応用した最先端の予測モデルからの不確実性推定の品質について検討する。
論文 参考訳（メタデータ） (2022-05-29T20:20:49Z) - Transferable Calibration with Lower Bias and Variance in Domain
Adaptation [139.4332115349543]
ドメイン適応(DA)は、ラベル付きソースドメインからラベル付きターゲットドメインへの学習マシンの転送を可能にする。
DAモデルの予測的不確実性を推定する方法は、安全クリティカルなシナリオにおける意思決定に不可欠である。
TransCalは既存のDAメソッドの校正に簡単に適用できる。
論文 参考訳（メタデータ） (2020-07-16T11:09:36Z) - Unsupervised Calibration under Covariate Shift [92.02278658443166]
ドメインシフト下でのキャリブレーションの問題を導入し、それに対処するための重要サンプリングに基づくアプローチを提案する。
実世界のデータセットと合成データセットの両方において,本手法の有効性を評価し検討した。
論文 参考訳（メタデータ） (2020-06-29T21:50:07Z)
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。