論文の概要: Machine Learning based Analysis for Radiomics Features Robustness in Real-World Deployment Scenarios

• arxiv url: http://arxiv.org/abs/2510.25026v1
• Date: Tue, 28 Oct 2025 22:54:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-30 15:50:44.875916
• Title: Machine Learning based Analysis for Radiomics Features Robustness in Real-World Deployment Scenarios
• Title（参考訳）: 実世界の展開シナリオにおける放射能特徴のロバスト性に関する機械学習に基づく分析
• Authors: Sarmad Ahmad Khan, Simon Bernatz, Zahra Moslehi, Florian Buettner,
• Abstract要約: 放射能ベースの機械学習モデルは、臨床決定のサポートを約束するが、分布シフトに弱い。 本研究では,5つのMRIシークエンスにまたがる分布変化下での放射能に基づく機械学習モデルのロバスト性について系統的に検討した。
• 参考スコア（独自算出の注目度）: 9.798854302346802
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Radiomics-based machine learning models show promise for clinical decision support but are vulnerable to distribution shifts caused by variations in imaging protocols, positioning, and segmentation. This study systematically investigates the robustness of radiomics-based machine learning models under distribution shifts across five MRI sequences. We evaluated how different acquisition protocols and segmentation strategies affect model reliability in terms of predictive power and uncertainty-awareness. Using a phantom of 16 fruits, we evaluated distribution shifts through: (1) protocol variations across T2-HASTE, T2-TSE, T2-MAP, T1-TSE, and T2-FLAIR sequences; (2) segmentation variations (full, partial, rotated); and (3) inter-observer variability. We trained XGBoost classifiers on 8 consistent robust features versus sequence-specific features, testing model performance under in-domain and out-of-domain conditions. Results demonstrate that models trained on protocol-invariant features maintain F1-scores >0.85 across distribution shifts, while models using all features showed 40% performance degradation under protocol changes. Dataset augmentation substantially improved the quality of uncertainty estimates and reduced the expected calibration error (ECE) by 35% without sacrificing accuracy. Temperature scaling provided minimal calibration benefits, confirming XGBoost's inherent reliability. Our findings reveal that protocol-aware feature selection and controlled phantom studies effectively predict model behavior under distribution shifts, providing a framework for developing robust radiomics models resilient to real-world protocol variations.
• Abstract（参考訳）: 放射能ベースの機械学習モデルは、臨床決定のサポートを約束するが、イメージングプロトコル、位置決め、セグメンテーションのバリエーションによって引き起こされる分布シフトに弱い。 本研究では,5つのMRIシークエンスにまたがる分布変化下での放射能に基づく機械学習モデルのロバスト性について系統的に検討した。 予測能力と不確実性認識の観点から,異なる獲得プロトコルとセグメンテーション戦略がモデルの信頼性に与える影響を評価した。 1)T2-HASTE,T2-TSE,T2-MAP,T1-TSE,T2-FLAIR配列にまたがるプロトコルの変動,(2)セグメンテーションの変動(完全,部分的,回転的),(3)サーバ間の変動について検討した。 XGBoost分類器を8つの一貫性のある機能とシーケンス固有の機能で訓練し、ドメイン内およびドメイン外条件下でモデルパフォーマンスをテストしました。 その結果、プロトコル不変性に基づいてトレーニングされたモデルでは、分散シフト毎にF1スコア>0.85を維持し、すべての機能を使用したモデルでは、プロトコル変更時に40%のパフォーマンス劣化が見られた。 データセットの増大は、不確実性推定の品質を大幅に改善し、精度を犠牲にすることなく、期待校正誤差(ECE)を35%削減した。 温度スケーリングは最小限のキャリブレーションの利点を提供し、XGBoost固有の信頼性を確認した。 本研究は, 分散シフト下でのモデル挙動を効果的に予測し, 実世界のプロトコル変動に耐性のあるロバスト・ラジオミクス・モデルを開発するための枠組みを提供するものである。

関連論文リスト

• Leveraging Support Vector Regression, Radiomics and Dosiomics for Outcome Prediction in Personalized Ultra-fractionated Stereotactic Adaptive Radiotherapy (PULSAR) [5.497745780154633]
  本研究では,GTV(Grog tumor volume)の変化を予測するためのマルチオミクスベースサポートベクター回帰(SVR)モデルを開発することを目的とする。 脳転移69例の振り返りコホートを解析した。 デルタラジオグラフィー機能は、単一点における特徴に対して予測精度を高める上で重要な役割を担っている。
  論文  参考訳（メタデータ） (2025-09-09T15:57:21Z)
• Advancing Reliable Test-Time Adaptation of Vision-Language Models under Visual Variations [67.35596444651037]
  視覚言語モデル(VLM)は、素晴らしいゼロショット機能を示すが、ラベル付きデータが利用できない場合、下流タスクの分散シフトに苦慮する。 本稿では,信頼性を両面から高めるReliable Test-Time Adaptation (ReTA)法を提案する。
  論文  参考訳（メタデータ） (2025-07-13T05:37:33Z)
• Segmentation variability and radiomics stability for predicting Triple-Negative Breast Cancer subtype using Magnetic Resonance Imaging [36.402807672379296]
  本研究では, 放射能を用いた3重複性乳癌サブタイプのMRIによる予測において, セグメンテーションの変動が特徴安定性および予測性能に及ぼす影響について検討した。 経時的情報の導入は特徴の安定性を低下させる可能性があるが、特徴予測能力は低下しない。
  論文  参考訳（メタデータ） (2025-04-02T12:48:01Z)
• EVolutionary Independent DEtermiNistiC Explanation [5.127310126394387]
  本稿では進化的独立決定論的説明(EVIDENCE)理論を紹介する。 EVIDENCEはブラックボックスモデルから重要な信号を抽出する決定論的、モデルに依存しない方法を提供する。 EVIDENCEの実践的応用は、医療における診断精度の向上と音声信号分析の強化である。
  論文  参考訳（メタデータ） (2025-01-20T12:05:14Z)
• A Hybrid Framework for Statistical Feature Selection and Image-Based Noise-Defect Detection [55.2480439325792]
  本稿では,統計的特徴選択と分類技術を統合し,欠陥検出精度を向上させるハイブリッドフレームワークを提案する。 工業画像から抽出した55個の特徴を統計的手法を用いて解析した。 これらの手法をフレキシブルな機械学習アプリケーションに統合することにより、検出精度を改善し、偽陽性や誤分類を減らす。
  論文  参考訳（メタデータ） (2024-12-11T22:12:21Z)
• Robust Fine-tuning of Zero-shot Models via Variance Reduction [56.360865951192324]
  微調整ゼロショットモデルの場合、このデシドラトゥムは細調整モデルで、分布内(ID)と分布外(OOD)の両方で優れる。 トレードオフを伴わずに最適なIDとOODの精度を同時に達成できるサンプルワイズアンサンブル手法を提案する。
  論文  参考訳（メタデータ） (2024-11-11T13:13:39Z)
• Predictive Analytics of Varieties of Potatoes [2.336821989135698]
  本研究では, 育種試験におけるサツマイモクローンの選択プロセスの向上を目的とした, 機械学習アルゴリズムの適用について検討する。 本研究は, 高収率, 耐病性, 耐気候性ポテト品種を効率的に同定することの課題に対処する。
  論文  参考訳（メタデータ） (2024-04-04T00:49:05Z)
• Predicting with Confidence on Unseen Distributions [90.68414180153897]
  ドメイン適応と予測不確実性文学を結びつけて、挑戦的な未知分布のモデル精度を予測する。 分類器の予測における信頼度(DoC)の差は,様々な変化に対して,分類器の性能変化を推定することに成功した。 具体的には, 合成分布と自然分布の区別について検討し, その単純さにもかかわらず, DoCは分布差の定量化に優れることを示した。
  論文  参考訳（メタデータ） (2021-07-07T15:50:18Z)
• Estimating Generalization under Distribution Shifts via Domain-Invariant Representations [75.74928159249225]
  未知の真のターゲットラベルのプロキシとして、ドメイン不変の予測器のセットを使用します。 結果として生じるリスク見積の誤差は、プロキシモデルのターゲットリスクに依存する。
  論文  参考訳（メタデータ） (2020-07-06T17:21:24Z)
• 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。