論文の概要: Robust by Design: A Continuous Monitoring and Data Integration Framework for Medical AI

• arxiv url: http://arxiv.org/abs/2604.09009v1
• Date: Fri, 10 Apr 2026 06:22:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-13 17:57:53.717475
• Title: Robust by Design: A Continuous Monitoring and Data Integration Framework for Medical AI
• Title（参考訳）: Robust by Design: 医療AIのための継続的監視とデータ統合フレームワーク
• Authors: Mohammad Daouk, Jan Ulrich Becker, Neeraja Kambham, Anthony Chang, Chandra Mohan, Hien Van Nguyen,
• Abstract要約: 我々は、時間とともに堅牢なパフォーマンスを維持する自律的な継続的監視およびデータ統合フレームワークを提案する。 本手法では,モンテカルロのドロップアウトに基づく不確実性ゲーティングとマルチメトリック特徴解析を用いて,新しいデータの再トレーニングのタイミングを決定する。 マルチセンタデータセット上のResNet18アンサンブルによる実験では、このフレームワークはパフォーマンスの劣化を防ぐ。
• 参考スコア（独自算出の注目度）: 0.779547724026871
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Adaptive medical AI models often face performance drops in dynamic clinical environments due to data drift. We propose an autonomous continuous monitoring and data integration framework that maintains robust performance over time. Focusing on glomerular pathology image classification (proliferative vs. non-proliferative lupus nephritis), our three-stage method uses multi-metric feature analysis and Monte Carlo dropout-based uncertainty gating to decide when to retrain on new data. Only images statistically similar to the training distribution (via Euclidean, cosine, Mahalanobis metrics) and with low predictive entropy are integrated. The model is then incrementally retrained with these images under strict performance safeguards (no metric degradation >5%). In experiments with a ResNet18 ensemble on a multi-center dataset, the framework prevents performance degradation: new images were added without significant change in AUC (~0.92) or accuracy (~89%). This approach addresses data shift and avoids catastrophic forgetting, enabling sustained learning in medical imaging AI.
• Abstract（参考訳）: 適応型医療AIモデルは、データドリフトによる動的臨床環境のパフォーマンス低下に直面することが多い。 我々は、時間とともに堅牢なパフォーマンスを維持する自律的な継続的監視およびデータ統合フレームワークを提案する。 糸球体病理像の分類(増殖と非増殖性ループス腎炎)に着目し,マルチメトリック特徴分析とモンテカルロ・ドロップアウトに基づく不確実性ゲーティングを用いて,新しいデータの再トレーニングのタイミングを決定する。 トレーニング分布に統計的に類似した画像(ユークリッド、コサイン、マハラノビスメトリクス)と予測エントロピーの低い画像のみが統合されている。 モデルは、厳格なパフォーマンス保護の下で、これらのイメージで漸進的に再トレーニングされる(メトリック劣化は5%以下)。 マルチセンターデータセット上のResNet18アンサンブルによる実験では、このフレームワークはパフォーマンスの劣化を防止している。 このアプローチは、データシフトに対処し、破滅的な忘れを回避し、医療画像AIにおける持続的な学習を可能にする。

関連論文リスト

• A Contrastive Variational AutoEncoder for NSCLC Survival Prediction with Missing Modalities [41.8469011437549]
  非小細胞肺癌 (NSCLC) 患者の生存予測は, 個々の予後が異なるため困難である。 最先端モデルは、患者レベルの表現を作成するために利用可能なデータや、欠落したモダリティを推測するために生成モデルを使用する。 本稿では,MCVAE(Multimodal Contrastive Variational AutoEncoder)を提案する。
  論文  参考訳（メタデータ） (2026-02-19T14:29:34Z)
• ReclAIm: A multi-agent framework for degradation-aware performance tuning of medical imaging AI [0.0]
  ReclAImは、自律的な監視、評価、微調整が可能なマルチエージェントフレームワークである。 MRI、CT、X線データセット間でモデルの一貫性のあるパフォーマンスをトレーニングし、評価し、維持する。
  論文  参考訳（メタデータ） (2025-10-19T21:02:01Z)
• Scalable Drift Monitoring in Medical Imaging AI [37.1899538374058]
  我々は,スケーラブルなドリフトモニタリングのための拡張フレームワークであるMCC+を開発した。 それは、医療画像AIモデルのためのリアルタイムドリフト検出を導入したCheXstrayフレームワークの上に構築されている。 MMC+は、継続的パフォーマンス監視の信頼性と費用対効果を提供する。
  論文  参考訳（メタデータ） (2024-10-17T02:57:35Z)
• Adapting Visual-Language Models for Generalizable Anomaly Detection in Medical Images [68.42215385041114]
  本稿では,CLIPモデルを用いた医用異常検出のための軽量な多レベル適応と比較フレームワークを提案する。 提案手法では,複数の残像アダプタを事前学習した視覚エンコーダに統合し,視覚的特徴の段階的向上を実現する。 医学的異常検出ベンチマーク実験により,本手法が現在の最先端モデルを大幅に上回っていることが示された。
  論文  参考訳（メタデータ） (2024-03-19T09:28:19Z)
• The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease detection [51.697248252191265]
  この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。 我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。 このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
  論文  参考訳（メタデータ） (2023-09-13T10:40:41Z)
• USIM-DAL: Uncertainty-aware Statistical Image Modeling-based Dense Active Learning for Super-resolution [47.38982697349244]
  デンス回帰(Dense regression)は、画像の超解像、エンハンスメント、深さ推定などのタスクのためのコンピュータビジョンで広く使われているアプローチである。 この問題に対処するために,能動学習を高密度回帰モデルに組み込むことを提案する。 アクティブな学習により、モデルはラベル付けのための最も有益なサンプルを選択し、全体的なアノテーションコストを削減し、パフォーマンスを向上させることができる。
  論文  参考訳（メタデータ） (2023-05-27T16:33:43Z)
• Negligible effect of brain MRI data preprocessing for tumor segmentation [36.89606202543839]
  我々は3つの公開データセットの実験を行い、ディープニューラルネットワークにおける異なる前処理ステップの効果を評価する。 その結果、最も一般的な標準化手順は、ネットワーク性能に何の価値も与えないことが示されている。 画像の規格化に伴う信号分散の低減のため,画像強度正規化手法はモデル精度に寄与しない。
  論文  参考訳（メタデータ） (2022-04-11T17:29:36Z)
• FedMed-GAN: Federated Domain Translation on Unsupervised Cross-Modality Brain Image Synthesis [55.939957482776194]
  我々は、教師なし脳画像合成におけるフェデレートドメイン翻訳のための新しいベンチマーク(FedMed-GAN)を提案する。 FedMed-GANは発電機の性能を犠牲にすることなくモード崩壊を緩和する。 FedMed-GANと他の集中型手法を比較するための総合的な評価を提供する。
  論文  参考訳（メタデータ） (2022-01-22T02:50:29Z)
• About Explicit Variance Minimization: Training Neural Networks for Medical Imaging With Limited Data Annotations [2.3204178451683264]
  VAT(Variance Aware Training)法は、モデル損失関数に分散誤差を導入することにより、この特性を利用する。 多様な領域から得られた3つの医用画像データセットと様々な学習目標に対するVATの有効性を検証した。
  論文  参考訳（メタデータ） (2021-05-28T21:34:04Z)
• Improved Slice-wise Tumour Detection in Brain MRIs by Computing Dissimilarities between Latent Representations [68.8204255655161]
  磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。 本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。 本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
  論文  参考訳（メタデータ） (2020-07-24T14:02:09Z)

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。