論文の概要: Uncertainty-Calibrated Explainable AI for Fetal Ultrasound Plane Classification

• arxiv url: http://arxiv.org/abs/2601.00990v1
• Date: Fri, 02 Jan 2026 21:32:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-06 16:25:21.925057
• Title: Uncertainty-Calibrated Explainable AI for Fetal Ultrasound Plane Classification
• Title（参考訳）: 胎児超音波平面分類のための不確かさ校正型説明可能なAI
• Authors: Olaf Yunus Laitinen Imanov,
• Abstract要約: 胎児超音波標準平面分類は、出生前生検と異常検診の信頼性を高める。 実世界の展開は、ドメインシフト、画像ノイズ、予測される確率のキャリブレーションによって制限される。 本稿では,胎児平面分類における不確実性校正可能なAIの実践的枠組みを提案する。
• 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: Fetal ultrasound standard-plane classification underpins reliable prenatal biometry and anomaly screening, yet real-world deployment is limited by domain shift, image noise, and poor calibration of predicted probabilities. This paper presents a practical framework for uncertainty-calibrated explainable AI in fetal plane classification. We synthesize uncertainty estimation methods (Monte Carlo dropout, deep ensembles, evidential learning, and conformal prediction) with post-hoc and uncertainty-aware explanations (Grad-CAM variants, LIME-style local surrogates, and uncertainty-weighted multi-resolution activation maps), and we map these components to a clinician-facing workflow. Using FETAL_PLANES_DB as a reference benchmark, we define a reporting protocol that couples accuracy with calibration and selective prediction, including expected calibration error, Brier score, coverage-risk curves, and structured error analysis with explanations. We also discuss integration points for quality control and human-in-the-loop review, where uncertainty flags trigger re-acquisition or expert confirmation. The goal is a reproducible, clinically aligned blueprint for building fetal ultrasound classifiers whose confidence and explanations remain trustworthy under noisy acquisition conditions.
• Abstract（参考訳）: 胎児超音波標準平面分類は、出生前生検と異常スクリーニングの信頼性を高めるが、実際の展開は、ドメインシフト、画像ノイズ、予測される確率のキャリブレーションによって制限される。 本稿では,胎児平面分類における不確実性校正可能なAIの実践的枠組みを提案する。 我々は,不確実性推定手法(モンテカルロ・ドロップアウト,ディープアンサンブル,明細学習,コンフォーマル予測)を,ポストホックかつ不確実性を考慮した説明(Grad-CAM変種,LIMEスタイルローカルサロゲート,不確実性重み付きマルチレゾリューション・アクティベーション・マップ)で合成し,これらの成分を臨床用ワークフローにマッピングする。 FETAL_PLANES_DBを基準として、キャリブレーションと選択予測の精度を結合したレポートプロトコルを定義し、キャリブレーション誤差、ブライアスコア、カバレッジリスク曲線、構造的エラー解析を解説する。 また、品質管理のための統合ポイントや、不確実性フラグが再取得や専門家の確認を引き起こすループ内レビューについても論じる。 この目標は、ノイズのある取得条件下で信頼性と説明が信頼できる胎児超音波分類器を構築するための再現可能な、臨床的に整合した青写真である。

関連論文リスト

• COIN: Uncertainty-Guarding Selective Question Answering for Foundation Models with Provable Risk Guarantees [51.5976496056012]
  COINは、統計的に有効な閾値を校正し、質問毎に1つの生成された回答をフィルタリングする不確実性保護選択フレームワークである。 COINはキャリブレーションセット上で経験的誤差率を推定し、信頼区間法を適用して真誤差率に高い確率上界を確立する。 リスク管理におけるCOINの堅牢性,許容回答を維持するための強いテストタイムパワー,キャリブレーションデータによる予測効率を実証する。
  論文  参考訳（メタデータ） (2025-06-25T07:04:49Z)
• L-FUSION: Laplacian Fetal Ultrasound Segmentation & Uncertainty Estimation [6.626853161057203]
  L-fusionは、教師なし、規範的学習および大規模基礎モデルを通じて不確実な定量化を統合するフレームワークである。 即時診断フィードバックのための信頼性の高い異常定量化を実現する。 不確かさの解釈を改善し、手動の病気回避の必要性を取り除く。
  論文  参考訳（メタデータ） (2025-03-07T08:57:38Z)
• Probabilistic Modeling of Disparity Uncertainty for Robust and Efficient Stereo Matching [61.73532883992135]
  本稿では,新しい不確実性を考慮したステレオマッチングフレームワークを提案する。 我々はベイズリスクを不確実性の測定として採用し、データを別々に見積もり、不確実性をモデル化する。
  論文  参考訳（メタデータ） (2024-12-24T23:28:20Z)
• 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)
• 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)
• Bayesian autoencoders with uncertainty quantification: Towards trustworthy anomaly detection [78.24964622317634]
  本研究では, ベイズオートエンコーダ (BAEs) の定式化により, 全体の異常不確かさを定量化する。 不確実性の質を評価するために,不確実性の予測を拒否するオプションを追加して,異常を分類する作業を検討する。 本実験は,BAEと総異常不確かさが,ベンチマークデータセットと製造用実データセットのセットに与える影響を実証するものである。
  論文  参考訳（メタデータ） (2022-02-25T12:20:04Z)

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。