論文の概要: Risk-Sensitive Conformal Prediction for Catheter Placement Detection in Chest X-rays

• arxiv url: http://arxiv.org/abs/2505.22496v1
• Date: Wed, 28 May 2025 15:47:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-29 17:35:50.705781
• Title: Risk-Sensitive Conformal Prediction for Catheter Placement Detection in Chest X-rays
• Title（参考訳）: 胸部X線におけるカテーテル配置検出のためのリスク感作コンフォーマル予測
• Authors: Long Hui,
• Abstract要約: 胸部X線におけるカテーテルと線位置検出のための新しいアプローチを提案する。 我々のモデルは同時に分類、セグメンテーション、ランドマーク検出を行う。 リスクに敏感なコンフォメーション予測は、統計的に保証された予測セットを提供する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper presents a novel approach to catheter and line position detection in chest X-rays, combining multi-task learning with risk-sensitive conformal prediction to address critical clinical requirements. Our model simultaneously performs classification, segmentation, and landmark detection, leveraging the synergistic relationship between these tasks to improve overall performance. We further enhance clinical reliability through risk-sensitive conformal prediction, which provides statistically guaranteed prediction sets with higher reliability for clinically critical findings. Experimental results demonstrate excellent performance with 90.68\% overall empirical coverage and 99.29\% coverage for critical conditions, while maintaining remarkable precision in prediction sets. Most importantly, our risk-sensitive approach achieves zero high-risk mispredictions (cases where the system dangerously declares problematic tubes as confidently normal), making the system particularly suitable for clinical deployment. This work offers both accurate predictions and reliably quantified uncertainty -- essential features for life-critical medical applications.
• Abstract（参考訳）: 本稿では,胸部X線におけるカテーテルと線位置検出のための新しいアプローチを提案する。 本モデルでは,これらのタスク間の相乗的関係を利用して,分類,セグメンテーション,ランドマーク検出を同時に行い,全体的な性能を向上させる。 本研究は, リスクに敏感なコンフォメーション予測により, より信頼性の高い統計的に保証された予測セットを臨床批判的な結果に提供することにより, 臨床信頼性をさらに向上する。 実験結果は、90.68\%の総合的な経験的カバレッジと、臨界条件に対する99.29\%のカバレッジで優れた性能を示し、予測セットにおける顕著な精度を維持した。 最も重要なことは、我々のリスクに敏感なアプローチは、リスクの高い予測をゼロにする(システムが問題のあるチューブを確実に正常であると宣言するケース)。 この研究は、正確な予測と、確実に定量化された不確実性を提供する。

関連論文リスト

• Conformal Risk Control for Pulmonary Nodule Detection [1.435675484176397]
  肺癌検診における肺結節検出の1例を経験したので報告する。 我々は、共形リスク制御(CRC)と呼ばれる不確実性定量化手法により高度な検出モデルを強化する。 安全クリティカルな医療領域における予測の不確実性の指標として, 整合性保証付き予測セットが魅力的であることを示す。
  論文  参考訳（メタデータ） (2024-12-28T14:41:57Z)
• Towards Integrating Epistemic Uncertainty Estimation into the Radiotherapy Workflow [40.07325268305058]
  放射線治療計画における目標構造と臓器リスク(OAR)の整合性の精度は、治療効果と患者の安全を確保するために不可欠である。 近年のディープラーニング(DL)の進歩により,OARコンチューリング性能が大幅に向上した。 しかし、これらのモデルの信頼性、特にアウト・オブ・ディストリビューション(OOD)シナリオの存在は、臨床設定において懸念されている。
  論文  参考訳（メタデータ） (2024-09-27T10:55:58Z)
• SepsisLab: Early Sepsis Prediction with Uncertainty Quantification and Active Sensing [67.8991481023825]
  セプシスは米国での院内死亡の主な原因である。 既存の予測モデルは通常、情報不足の少ない高品質なデータで訓練される。 限られた観察により信頼性の低い高リスク患者に対して,ロバストな能動センシングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-07-24T04:47:36Z)
• Uncertainty Quantification on Clinical Trial Outcome Prediction [37.25114005044208]
  本稿では,不確実性の定量化を臨床治験結果の予測に取り入れることを提案する。 私たちの主な目標は、ニュアンスドの違いを識別するモデルの能力を強化することです。 我々は目的を達成するために選択的な分類手法を採用した。
  論文  参考訳（メタデータ） (2024-01-07T13:48:05Z)
• U-PASS: an Uncertainty-guided deep learning Pipeline for Automated Sleep Staging [61.6346401960268]
  プロセスの各段階で不確実性推定を組み込んだ臨床応用に適した,U-PASSと呼ばれる機械学習パイプラインを提案する。 不確実性誘導型ディープラーニングパイプラインを睡眠ステージングの困難な問題に適用し、各ステージにおけるパフォーマンスを体系的に改善することを示す。
  論文  参考訳（メタデータ） (2023-06-07T08:27:36Z)
• 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)
• Clinical Outcome Prediction from Admission Notes using Self-Supervised Knowledge Integration [55.88616573143478]
  臨床テキストからのアウトカム予測は、医師が潜在的なリスクを見落としないようにする。 退院時の診断,手術手順,院内死亡率,長期予測は4つの一般的な結果予測対象である。 複数の公開資料から得られた患者結果に関する知識を統合するために,臨床結果の事前学習を提案する。
  論文  参考訳（メタデータ） (2021-02-08T10:26:44Z)
• UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced Data [81.00385374948125]
  我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。 UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。 非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。 UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
  論文  参考訳（メタデータ） (2020-10-22T02:28:11Z)
• Uncertainty estimation for classification and risk prediction on medical tabular data [0.0]
  本研究は,医療データの分類とリスク予測のための不確実性推定の理解を深めるものである。 医療などのデータ共有分野において、モデルの予測の不確実性を測定する能力は、意思決定支援ツールの改善につながる可能性がある。
  論文  参考訳（メタデータ） (2020-04-13T08:46:41Z)

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。