論文の概要: Pitfalls of Conformal Predictions for Medical Image Classification

• arxiv url: http://arxiv.org/abs/2506.18162v1
• Date: Sun, 22 Jun 2025 20:33:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-24 19:06:36.78202
• Title: Pitfalls of Conformal Predictions for Medical Image Classification
• Title（参考訳）: 医用画像分類におけるコンフォーマル予測の落とし穴
• Authors: Hendrik Mehrtens, Tabea Bucher, Titus J. Brinker,
• Abstract要約: 整合予測は、証明可能な校正保証を提供することができる。 共形予測は、入力変数とラベル変数の分布シフトの下では信頼性が低い。 クラス数が少ない分類設定では、共形予測は実用的価値に制限がある。
• 参考スコア（独自算出の注目度）: 1.2289361708127877
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Reliable uncertainty estimation is one of the major challenges for medical classification tasks. While many approaches have been proposed, recently the statistical framework of conformal predictions has gained a lot of attention, due to its ability to provide provable calibration guarantees. Nonetheless, the application of conformal predictions in safety-critical areas such as medicine comes with pitfalls, limitations and assumptions that practitioners need to be aware of. We demonstrate through examples from dermatology and histopathology that conformal predictions are unreliable under distributional shifts in input and label variables. Additionally, conformal predictions should not be used for selecting predictions to improve accuracy and are not reliable for subsets of the data, such as individual classes or patient attributes. Moreover, in classification settings with a small number of classes, which are common in medical image classification tasks, conformal predictions have limited practical value.
• Abstract（参考訳）: 信頼性の高い不確実性推定は、医療分類タスクにおける大きな課題の1つである。 多くのアプローチが提案されているが、近年、証明可能な校正保証を提供する能力のため、共形予測の統計的枠組みが注目されている。 それでも、医療のような安全クリティカルな分野における共形予測の適用には、実践者が気付く必要がある落とし穴、制限、仮定が伴う。 我々は,入力変数とラベル変数の分布シフトにおいて,共形予測が信頼できないという皮膚学と病理学の例を例に示す。 さらに、正確性を改善するために予測を選択するために共形予測は使用すべきではなく、個々のクラスや患者属性のようなデータのサブセットには信頼性がない。 さらに,医療画像分類タスクに共通するクラス数が少ない分類設定では,コンフォメーション予測は実用的価値に制限がある。

関連論文リスト

• Validation of Conformal Prediction in Cervical Atypia Classification [1.8988964758950546]
  ディープラーニングに基づく頸がん分類は、低リソース領域のスクリーニングへのアクセスを増加させる可能性がある。 ディープラーニングモデルは、しばしば過信され、診断の不確実性を確実に反映しない。 共形予測は、訓練されたディープラーニングモデルのためのクラスを含む予測セットを生成するためのモデルに依存しないフレームワークである。
  論文  参考訳（メタデータ） (2025-05-13T14:37:58Z)
• SConU: Selective Conformal Uncertainty in Large Language Models [59.25881667640868]
  SconU(Selective Conformal Uncertainity)と呼ばれる新しいアプローチを提案する。 我々は,特定の管理可能なリスクレベルで設定されたキャリブレーションの不確実性分布から,与えられたサンプルが逸脱するかどうかを決定するのに役立つ2つの共形p値を開発する。 我々のアプローチは、単一ドメインと学際的コンテキストの両方にわたる誤発見率の厳密な管理を促進するだけでなく、予測の効率を高める。
  論文  参考訳（メタデータ） (2025-04-19T03:01:45Z)
• Conformal Prediction Sets with Improved Conditional Coverage using Trust Scores [52.92618442300405]
  有限サンプルにおいて、正確に分布のない条件付きカバレッジを達成することは不可能である。 本稿では,最も重要となる範囲を対象とするコンフォメーション予測アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-01-17T12:01:56Z)
• Provably Reliable Conformal Prediction Sets in the Presence of Data Poisoning [53.42244686183879]
  コンフォーマル予測は、モデルに依存しない、分布のない不確実性定量化を提供する。 しかし、敵が訓練データと校正データを操作した場合の毒殺攻撃では、共形予測は信頼性が低い。 信頼性予測セット (RPS): 汚染下での信頼性保証を証明可能な共形予測セットを構築するための最初の効率的な方法を提案する。
  論文  参考訳（メタデータ） (2024-10-13T15:37:11Z)
• A conformalized learning of a prediction set with applications to medical imaging classification [14.304858613146536]
  本稿では,真のラベルを含む予測セットをユーザが特定した確率で生成するアルゴリズムを提案する。 提案アルゴリズムをいくつかの標準医用画像分類データセットに適用した。
  論文  参考訳（メタデータ） (2024-08-09T12:49:04Z)
• A Saliency-based Clustering Framework for Identifying Aberrant Predictions [49.1574468325115]
  本稿では, 異常予測の概念を導入し, 分類誤差の性質が頻度と同じくらい重要であることを強調した。 本稿では,誤分類率の低減と異常予測の識別を両立する,新しい,効率的なトレーニング手法を提案する。 本手法を獣医学の分野である獣医学の分野に応用し, 被曝率は高いが, 人体医学に比べて広く研究されていない。
  論文  参考訳（メタデータ） (2023-11-11T01:53:59Z)
• Improving Trustworthiness of AI Disease Severity Rating in Medical Imaging with Ordinal Conformal Prediction Sets [0.7734726150561088]
  統計的に厳密な不確実性定量化の欠如は、AI結果の信頼を損なう重要な要因である。 分布自由不確実性定量化の最近の進歩は、これらの問題に対する実用的な解決策である。 本稿では, 正しい狭窄の重症度を含むことが保証される順序予測セットを形成する手法を実証する。
  論文  参考訳（メタデータ） (2022-07-05T18:01:20Z)
• Distribution-Free Federated Learning with Conformal Predictions [0.0]
  フェデレートラーニングは、患者のプライバシーを維持しながら、別々の機関のデータセットを活用することを目的としている。 キャリブレーションの低さと解釈可能性の欠如は、フェデレートされたモデルの臨床実践への広範な展開を妨げる可能性がある。 本稿では,適応型コンフォメーション・フレームワークを連携学習に組み込むことにより,これらの課題に対処することを提案する。
  論文  参考訳（メタデータ） (2021-10-14T18:41:17Z)
• Distribution-free uncertainty quantification for classification under label shift [105.27463615756733]
  2つの経路による分類問題に対する不確実性定量化(UQ)に焦点を当てる。 まず、ラベルシフトはカバレッジとキャリブレーションの低下を示すことでuqを損なうと論じる。 これらの手法を, 理論上, 分散性のない枠組みで検討し, その優れた実用性を示す。
  論文  参考訳（メタデータ） (2021-03-04T20:51:03Z)
• 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。