論文の概要: Learning, Potential, and Retention: An Approach for Evaluating Adaptive AI-Enabled Medical Devices
- arxiv url: http://arxiv.org/abs/2604.04878v1
- Date: Mon, 06 Apr 2026 17:27:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-07 15:49:19.310869
- Title: Learning, Potential, and Retention: An Approach for Evaluating Adaptive AI-Enabled Medical Devices
- Title（参考訳）: 学習・可能性・保持 : 適応型AI医療機器評価のためのアプローチ
- Authors: Alexis Burgon, Berkman Sahiner, Nicholas A Petrick, Gene Pennello, Ravi K Samala,
- Abstract要約: この研究は、医療機器の適応人工知能(AI)モデルを評価する際の課題に対処する。
学習(現在のデータに対するモデル改善)、ポテンシャル(データセット駆動のパフォーマンスシフト)、保持(修正ステップ間での知識保存)の3つの相補的な測定による新しいアプローチを導入する。
シミュレーションされた人口シフトを用いたケーススタディでは、アプローチの有用性が示され、急激なシフトでは可塑性と安定性のトレードオフが示される。
- 参考スコア（独自算出の注目度）: 2.2975420753582028
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This work addresses challenges in evaluating adaptive artificial intelligence (AI) models for medical devices, where iterative updates to both models and evaluation datasets complicate performance assessment. We introduce a novel approach with three complementary measurements: learning (model improvement on current data), potential (dataset-driven performance shifts), and retention (knowledge preservation across modification steps), to disentangle performance changes caused by model adaptations versus dynamic environments. Case studies using simulated population shifts demonstrate the approach's utility: gradual transitions enable stable learning and retention, while rapid shifts reveal trade-offs between plasticity and stability. These measurements provide practical insights for regulatory science, enabling rigorous assessment of the safety and effectiveness of adaptive AI systems over sequential modifications.
- Abstract（参考訳）: この研究は、医療機器の適応人工知能(AI)モデルを評価する際の課題に対処する。
学習(現在のデータに対するモデル改善)、ポテンシャル(データセット駆動型パフォーマンスシフト)、保持(修正ステップ間での知識保存)の3つの相補的な手法を導入し、モデル適応による性能変化を動的環境と比較した。
段階的な移行は安定した学習と維持を可能にし、急激なシフトは可塑性と安定性の間のトレードオフを明らかにする。
これらの測定は、規制科学の実践的な洞察を与え、逐次的な修正よりも適応型AIシステムの安全性と有効性を厳格に評価することを可能にする。
関連論文リスト
- From Physics to Machine Learning and Back: Part II - Learning and Observational Bias in PHM [52.64097278841485]
物理インフォームドモデリングとデータストラテジーによる学習と観察バイアスの導入は、モデルを物理的に一貫した信頼性のある予測へと導くことができるかを検討する。
メタラーニングや少数ショットラーニングなどの高速適応手法をドメイン一般化手法とともに検討する。
論文 参考訳（メタデータ） (2025-09-25T14:15:43Z) - Keeping Medical AI Healthy: A Review of Detection and Correction Methods for System Degradation [6.781778751487079]
このレビューでは、医療におけるAIシステムの「健康」の監視と維持について、前向きな視点を提示する。
継続的パフォーマンス監視、早期劣化検出、効果的な自己補正メカニズムの緊急ニーズを強調します。
この研究は、ダイナミックな臨床環境における安全な長期展開を維持できる信頼性が高く堅牢な医療AIシステムの開発を導くことを目的としている。
論文 参考訳（メタデータ） (2025-06-20T19:22:07Z) - Boosting Automatic Exercise Evaluation Through Musculoskeletal Simulation-Based IMU Data Augmentation [0.0]
本稿では,運動軌跡の体系的な修正と統合された筋骨格シミュレーションを用いて,現実的なIMUデータを生成する新しいデータ拡張手法を提案する。
本手法はバイオメカニカル・ポーラビリティを保証し,逆パラメータと知識に基づく評価戦略を組み合わせることで,自動的,信頼性の高いラベル付けを可能にする。
本研究は,理学療法演習評価における深層学習の課題を克服するために,本手法の有効性と有効性について考察した。
論文 参考訳（メタデータ） (2025-05-30T09:53:37Z) - New Epochs in AI Supervision: Design and Implementation of an Autonomous
Radiology AI Monitoring System [5.50085484902146]
本稿では,放射線学AI分類モデルの性能を実際に監視するための新しい手法を提案する。
予測分散と時間安定性という2つの指標を提案し、AIのパフォーマンス変化のプリエンプティブアラートに使用する。
論文 参考訳（メタデータ） (2023-11-24T06:29:04Z) - QualEval: Qualitative Evaluation for Model Improvement [82.73561470966658]
モデル改善のための手段として,自動定性評価による定量的スカラー指標を付加するQualEvalを提案する。
QualEvalは強力なLCM推論器と新しいフレキシブルリニアプログラミングソルバを使用して、人間の読みやすい洞察を生成する。
例えば、その洞察を活用することで、Llama 2モデルの絶対性能が最大15%向上することを示す。
論文 参考訳（メタデータ） (2023-11-06T00:21:44Z) - Position: AI Evaluation Should Learn from How We Test Humans [65.36614996495983]
人間の評価のための20世紀起源の理論である心理測定は、今日のAI評価における課題に対する強力な解決策になり得る、と我々は主張する。
論文 参考訳（メタデータ） (2023-06-18T09:54:33Z) - Active Learning of Discrete-Time Dynamics for Uncertainty-Aware Model Predictive Control [46.81433026280051]
本稿では,非線形ロボットシステムの力学を積極的にモデル化する自己教師型学習手法を提案する。
我々のアプローチは、目に見えない飛行条件に一貫して適応することで、高いレジリエンスと一般化能力を示す。
論文 参考訳（メタデータ） (2022-10-23T00:45:05Z)
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。