論文の概要: Effect of Data Augmentation on Conformal Prediction for Diabetic Retinopathy

• arxiv url: http://arxiv.org/abs/2508.14266v1
• Date: Tue, 19 Aug 2025 20:55:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-21 16:52:41.26922
• Title: Effect of Data Augmentation on Conformal Prediction for Diabetic Retinopathy
• Title（参考訳）: 糖尿病網膜症のコンフォーマル予測におけるデータ拡張の効果
• Authors: Rizwan Ahamed, Annahita Amireskandari, Joel Palko, Carol Laxson, Binod Bhattarai, Prashnna Gyawali,
• Abstract要約: 糖尿病網膜症におけるコンフォメーション予測器の性能について検討した。 以上の結果から,Mixup や CutMix のようなサンプル混合手法は予測精度を向上するだけでなく,信頼性と効率のよい不確実性評価をもたらすことが示唆された。
• 参考スコア（独自算出の注目度）: 6.656858522657063
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The clinical deployment of deep learning models for high-stakes tasks such as diabetic retinopathy (DR) grading requires demonstrable reliability. While models achieve high accuracy, their clinical utility is limited by a lack of robust uncertainty quantification. Conformal prediction (CP) offers a distribution-free framework to generate prediction sets with statistical guarantees of coverage. However, the interaction between standard training practices like data augmentation and the validity of these guarantees is not well understood. In this study, we systematically investigate how different data augmentation strategies affect the performance of conformal predictors for DR grading. Using the DDR dataset, we evaluate two backbone architectures -- ResNet-50 and a Co-Scale Conv-Attentional Transformer (CoaT) -- trained under five augmentation regimes: no augmentation, standard geometric transforms, CLAHE, Mixup, and CutMix. We analyze the downstream effects on conformal metrics, including empirical coverage, average prediction set size, and correct efficiency. Our results demonstrate that sample-mixing strategies like Mixup and CutMix not only improve predictive accuracy but also yield more reliable and efficient uncertainty estimates. Conversely, methods like CLAHE can negatively impact model certainty. These findings highlight the need to co-design augmentation strategies with downstream uncertainty quantification in mind to build genuinely trustworthy AI systems for medical imaging.
• Abstract（参考訳）: 糖尿病性網膜症(DR)グレーディングのような高精細度タスクのためのディープラーニングモデルの臨床的展開には、実証可能な信頼性が必要である。 モデルは高い精度を達成するが、その臨床的有用性は、堅牢な不確実性定量化の欠如によって制限される。 Conformal Prediction (CP) は、分布のないフレームワークで、統計的なカバレッジを保証する予測セットを生成する。 しかし、データ強化のような標準的なトレーニングプラクティスとこれらの保証の有効性の相互作用はよく理解されていない。 本研究では,データ拡張戦略の違いがDRグレーディングにおける共形予測器の性能にどのように影響するかを系統的に検討する。 DDRデータセットを使用して、2つのバックボーンアーキテクチャ、ResNet-50とCoaT(Co-Scale Conv-Attentional Transformer)を評価する。 実験的カバレッジ,平均予測セットサイズ,正しい効率など,コンフォメーション指標に対する下流の影響を分析した。 以上の結果から,Mixup や CutMix のようなサンプル混合手法は予測精度を向上するだけでなく,信頼性と効率のよい不確実性評価をもたらすことが示唆された。 逆に、CLAHEのような手法はモデルの確実性に悪影響を及ぼす可能性がある。 これらの知見は、医療画像のための真に信頼できるAIシステムを構築するために、下流の不確実性の定量化を念頭に、拡張戦略を共同設計する必要性を浮き彫りにしている。

関連論文リスト

• The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease detection [51.697248252191265]
  この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。 我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。 このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
  論文  参考訳（メタデータ） (2023-09-13T10:40:41Z)
• 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)
• 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)
• BSM loss: A superior way in modeling aleatory uncertainty of fine_grained classification [0.0]
  混合データ拡張戦略を用いた改良型ブートストラップ損失(BS損失)関数を提案する。 実験の結果,Mixup(BSM)モデルによるBS損失は,標準データ拡張と比較して予測誤差(ECE)を半減できることがわかった。 BSMモデルはドメイン外のデータのセマンティックな距離を知覚することができ、実際の臨床実践において高い可能性を示す。
  論文  参考訳（メタデータ） (2022-06-09T13:06:51Z)
• 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)
• Bootstrapping Your Own Positive Sample: Contrastive Learning With Electronic Health Record Data [62.29031007761901]
  本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。 EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。 私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
  論文  参考訳（メタデータ） (2021-04-07T06:02:04Z)
• 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)
• Unlabelled Data Improves Bayesian Uncertainty Calibration under Covariate Shift [100.52588638477862]
  後続正則化に基づく近似ベイズ推定法を開発した。 前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
  論文  参考訳（メタデータ） (2020-06-26T13:50:19Z)

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。