論文の概要: MedFormer-UR: Uncertainty-Routed Transformer for Medical Image Classification

• arxiv url: http://arxiv.org/abs/2604.08868v1
• Date: Fri, 10 Apr 2026 02:03:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-13 17:57:53.635449
• Title: MedFormer-UR: Uncertainty-Routed Transformer for Medical Image Classification
• Title（参考訳）: MedFormer-UR: 医用画像分類用不確かさ制御変換器
• Authors: Mohammed Maaz Sibhai, Abedalrhman Alkhateeb, Saad B. Ahmed,
• Abstract要約: 我々は、プロトタイプベースの学習と不確実性誘導ルーティングを組み込んだ修正型メディカルトランス(MedFormer)を強化する。 我々のフレームワークは、あいまいさをリアルタイムで定量化し、ローカライズすることができる。 この不確実性は単なるアウトプットではなく、トレーニングプロセスのアクティブな参加者であり、信頼性の低い機能更新をフィルタリングする。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: To ensure safe clinical integration, deep learning models must provide more than just high accuracy; they require dependable uncertainty quantification. While current Medical Vision Transformers perform well, they frequently struggle with overconfident predictions and a lack of transparency, issues that are magnified by the noisy and imbalanced nature of clinical data. To address this, we enhanced the modified Medical Transformer (MedFormer) that incorporates prototype-based learning and uncertainty-guided routing, by utilizing a Dirichlet distribution for per-token evidential uncertainty, our framework can quantify and localize ambiguity in real-time. This uncertainty is not just an output but an active participant in the training process, filtering out unreliable feature updates. Furthermore, the use of class-specific prototypes ensures the embedding space remains structured, allowing for decisions based on visual similarity. Testing across four modalities (mammography, ultrasound, MRI, and histopathology) confirms that our approach significantly enhances model calibration, reducing expected calibration error (ECE) by up to 35%, and improves selective prediction, even when accuracy gains are modest.
• Abstract（参考訳）: 安全な臨床統合を保証するためには、ディープラーニングモデルは単に高い精度を提供するだけでなく、信頼性の高い不確実性定量化が必要である。 現在の医療ビジョントランスフォーマーは、よく機能するが、彼らはしばしば、自信過剰な予測と透明性の欠如に苦しむ。 そこで我々は,プロトタイプベース学習と不確実性誘導ルーティングを取り入れた修正型メディカルトランス (MedFormer) を改良し,ディリクレ分布を用いて,不明瞭度をリアルタイムに定量化し,ローカライズする手法を開発した。 この不確実性は単なるアウトプットではなく、トレーニングプロセスのアクティブな参加者であり、信頼性の低い機能更新をフィルタリングする。 さらに、クラス固有のプロトタイプを使用することで、埋め込み空間が引き続き構造化され、視覚的類似性に基づいた決定が可能になる。 マンモグラフィー, 超音波, MRI, 病理組織検査では, モデル校正が著しく向上し, 期待校正誤差(ECE)が最大で35%減少し, 精度が低下しても選択的予測が向上することが確認された。

関連論文リスト

• Guideline-Grounded Evidence Accumulation for High-Stakes Agent Verification [60.18369393468405]
  既存の検証器は通常、ドメイン知識の欠如と限られた校正のために性能が劣る。 GLEANは専門家によって計算されたプロトコルをトラジェクトリインフォームされ、よく校正された正当性信号にコンパイルする。 我々は,MIMIC-IVデータセットから得られた3つの疾患の薬物的臨床診断でGLEANを実証的に検証した。
  論文  参考訳（メタデータ） (2026-03-03T09:36:43Z)
• Calibrated Bayesian Deep Learning for Explainable Decision Support Systems Based on Medical Imaging [6.826979426009301]
  モデルが予測精度と相関する方法で不確実性を定量化し、臨床医がさらなるレビューのために信頼できないアウトプットを特定できることが不可欠である。 本稿では,ベイズ深層学習に基づく一般化可能な確率的最適化フレームワークを提案する。 特に、信頼性・不確実性境界損失(CUB-Loss)が新しく導入され、高い精度の誤差と低い精度の正確な予測に罰則が課せられる。 提案手法は, 肺炎の自動スクリーニング, 糖尿病性網膜症検出, 皮膚病変の同定という, 3つの異なる医用画像処理課題に対して検証された。
  論文  参考訳（メタデータ） (2026-02-12T14:03:41Z)
• Uncertainty-Driven Expert Control: Enhancing the Reliability of Medical Vision-Language Models [52.2001050216955]
  既存の方法は、モデル構造を調整したり、高品質なデータで微調整したり、好みの微調整によって、医療ビジョン言語モデル(MedVLM)の性能を向上させることを目的としている。 我々は,MedVLMと臨床専門知識の連携を図るために,Expert-Controlled-Free Guidance (Expert-CFG) という,ループ内のエキスパート・イン・ザ・ループフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-07-12T09:03:30Z)
• Improving Robustness and Reliability in Medical Image Classification with Latent-Guided Diffusion and Nested-Ensembles [4.249986624493547]
  一度展開すると、医用画像解析法は予期せぬ画像の破損やノイズの摂動に直面することが多い。 LaDiNEは、視覚変換器のロバスト性と拡散に基づく生成モデルを組み合わせた、新しいアンサンブル学習手法である。 結核胸部X線とメラノーマ皮膚がんデータセットの実験により、LaDiNEは幅広い最先端の方法と比較して優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2023-10-24T15:53:07Z)
• 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)
• 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。