論文の概要: Agent-Based Output Drift Detection for Breast Cancer Response Prediction in a Multisite Clinical Decision Support System

• arxiv url: http://arxiv.org/abs/2512.18450v1
• Date: Sat, 20 Dec 2025 17:49:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-23 18:54:32.341377
• Title: Agent-Based Output Drift Detection for Breast Cancer Response Prediction in a Multisite Clinical Decision Support System
• Title（参考訳）: 多施設臨床診断支援システムにおける乳癌反応予測のためのエージェントベース出力ドリフト検出
• Authors: Xavier Rafael-Palou, Jose Munuera, Ana Jimenez-Pastor, Richard Osuala, Karim Lekadir, Oliver Diaz,
• Abstract要約: 本稿では,多施設臨床AIシステムにおけるドリフトの検出と重症度評価のためのエージェントベースフレームワークを提案する。 その結果、全マルチセンター方式が集中監視より優れており、F1スコアはドリフト検出で最大10.3%改善している。 これらの結果から,適応型サイト認識型ドリフトモニタリングは多施設臨床意思決定支援システムの信頼性を高めることが示唆された。
• 参考スコア（独自算出の注目度）: 0.973596388167759
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Modern clinical decision support systems can concurrently serve multiple, independent medical imaging institutions, but their predictive performance may degrade across sites due to variations in patient populations, imaging hardware, and acquisition protocols. Continuous surveillance of predictive model outputs offers a safe and reliable approach for identifying such distributional shifts without ground truth labels. However, most existing methods rely on centralized monitoring of aggregated predictions, overlooking site-specific drift dynamics. We propose an agent-based framework for detecting drift and assessing its severity in multisite clinical AI systems. To evaluate its effectiveness, we simulate a multi-center environment for output-based drift detection, assigning each site a drift monitoring agent that performs batch-wise comparisons of model outputs against a reference distribution. We analyse several multi-center monitoring schemes, that differ in how the reference is obtained (site-specific, global, production-only and adaptive), alongside a centralized baseline. Results on real-world breast cancer imaging data using a pathological complete response prediction model shows that all multi-center schemes outperform centralized monitoring, with F1-score improvements up to 10.3% in drift detection. In the absence of site-specific references, the adaptive scheme performs best, with F1-scores of 74.3% for drift detection and 83.7% for drift severity classification. These findings suggest that adaptive, site-aware agent-based drift monitoring can enhance reliability of multisite clinical decision support systems.
• Abstract（参考訳）: 現代の臨床診断支援システムは、複数の独立した医療画像診断機関を同時に利用することができるが、その予測性能は、患者数、画像ハードウェア、取得プロトコルのばらつきにより、各所で低下する可能性がある。 予測モデル出力の継続的な監視は、基底的真理ラベルなしでそのような分布シフトを特定するための安全で信頼性の高いアプローチを提供する。 しかし、既存のほとんどの手法は、サイト固有のドリフトダイナミクスを見渡すため、集約された予測の集中的なモニタリングに依存している。 本稿では,多施設臨床AIシステムにおけるドリフトの検出と重症度評価のためのエージェントベースフレームワークを提案する。 提案手法の有効性を評価するため,出力に基づくドリフト検出のためのマルチセンタ環境をシミュレートし,各サイトを参照分布に対するモデル出力のバッチワイズ比較を行うドリフト監視エージェントに割り当てる。 我々は、集中型ベースラインとともに、参照の取得方法(サイト特化、グローバル化、生産のみ、適応化)が異なる複数のマルチセンター監視スキームを分析した。 病理的完全反応予測モデルを用いた実世界の乳がん画像データの結果、全てのマルチセンタースキームは集中的なモニタリングより優れており、F1スコアはドリフト検出で最大10.3%改善している。 サイト固有の基準がない場合には、F1スコアはドリフト検出で74.3%、ドリフト重症度分類で83.7%である。 これらの結果から,適応型サイト認識型ドリフトモニタリングは多施設臨床意思決定支援システムの信頼性を高めることが示唆された。

関連論文リスト

• Conformal Prediction for Multi-Source Detection on a Network [59.17729745907474]
  マルチソース検出問題について検討する。 グラフ上のノード感染状況のスナップショットが与えられた場合、伝播を開始するソースノードのセットを推定する。 本稿では,ソースセット検出のための統計的に有効なリコール保証を提供する新しいコンフォメーション予測フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-11-12T01:09:56Z)
• ActiTect: A Generalizable Machine Learning Pipeline for REM Sleep Behavior Disorder Screening through Standardized Actigraphy [1.2106870940376342]
  分離眼球運動睡眠行動障害(iRBD)は、$$-synucleinopathiesの主因である。 手首のアクティメータは、大規模なスクリーニングにおいてRBDを検出する大きな可能性を秘めている。 本研究では,アクティグラフ記録からRBDを同定するオープンソース機械学習ツールであるActiTectを提案する。
  論文  参考訳（メタデータ） (2025-11-07T13:18:20Z)
• Colorectal Cancer Histopathological Grading using Multi-Scale Federated Learning [0.0]
  本稿では,大腸癌診断のための拡張性,プライバシ保護型フェデレーション学習フレームワークを提案する。 我々のフレームワークは全体の83.5%の精度を達成し、同等の集中型モデルよりも優れています。 提案されたモジュールパイプラインは、デジタル病理のためのデプロイ可能でプライバシに配慮した臨床AIに向けた基礎的なステップを確立する。
  論文  参考訳（メタデータ） (2025-11-05T18:18:09Z)
• PF-DAformer: Proximal Femur Segmentation via Domain Adaptive Transformer for Dual-Center QCT [8.358409792893278]
  多施設定量的CT(QCT)に適したドメイン適応型トランスフォーマーセグメンテーションフレームワークを開発した。 当モデルでは, タラネ大学から1024個のQCT画像スキャン, ミネソタ州ロチェスターから384個の画像スキャンを行い, 大腿骨近位部セグメンテーションを行った。
  論文  参考訳（メタデータ） (2025-10-30T18:07:56Z)
• Dynamic Aware: Adaptive Multi-Mode Out-of-Distribution Detection for Trajectory Prediction in Autonomous Vehicles [8.920589816043298]
  軌道予測は自動運転車の安全かつシームレスな運転の中心である。 デプロイメントにおいて、予測モデルは、トレーニングデータと実世界の条件の間の分散シフトに必然的に直面する。 本稿では,複雑な運転環境におけるロバスト検出を実現するための適応機構を提案する。
  論文  参考訳（メタデータ） (2025-09-16T22:37:21Z)
• Robust Distribution Alignment for Industrial Anomaly Detection under Distribution Shift [51.24522135151649]
  異常検出は産業アプリケーションの品質管理において重要な役割を担っている。 既存の方法は、一般化可能なモデルをトレーニングすることで、ドメインシフトに対処しようとする。 提案手法は,最先端の異常検出法や領域適応法と比較して,優れた結果を示す。
  論文  参考訳（メタデータ） (2025-03-19T05:25:52Z)
• Ambiguous Medical Image Segmentation using Diffusion Models [60.378180265885945]
  我々は,グループ洞察の分布を学習することで,複数の可算出力を生成する単一拡散モデルに基づくアプローチを提案する。 提案モデルでは,拡散の固有のサンプリングプロセスを利用してセグメンテーションマスクの分布を生成する。 その結果,提案手法は既存の最先端曖昧なセグメンテーションネットワークよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2023-04-10T17:58:22Z)
• Towards Reliable Medical Image Segmentation by Modeling Evidential Calibrated Uncertainty [57.023423137202485]
  医用画像のセグメンテーションの信頼性に関する懸念が臨床医の間で続いている。 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。 主観的論理理論を活用することで、医用画像分割の確率と不確実性を明示的にモデル化する。
  論文  参考訳（メタデータ） (2023-01-01T05:02:46Z)
• Trusted Multi-View Classification [76.73585034192894]
  本稿では,信頼された多視点分類と呼ばれる新しい多視点分類手法を提案する。 さまざまなビューをエビデンスレベルで動的に統合することで、マルチビュー学習のための新しいパラダイムを提供する。 提案アルゴリズムは,分類信頼性とロバスト性の両方を促進するために,複数のビューを併用する。
  論文  参考訳（メタデータ） (2021-02-03T13:30:26Z)

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。