論文の概要: Risk-Calibrated Learning: Minimizing Fatal Errors in Medical AI

• arxiv url: http://arxiv.org/abs/2604.12693v1
• Date: Tue, 14 Apr 2026 13:04:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-15 19:11:32.45295
• Title: Risk-Calibrated Learning: Minimizing Fatal Errors in Medical AI
• Title（参考訳）: リスクキャリブレーション学習 - 医療AIにおける致命的エラーを最小限にする
• Authors: Abolfazl Mohammadi-Seif, Ricardo Baeza-Yates,
• Abstract要約: 深層学習モデルは、しばしば医療画像分類において専門家レベルの精度を達成するが、重大な欠陥、すなわち意味的不整合に悩まされる。 本稿では,視覚的曖昧さ(きめ細かい誤り)と破滅的な構造的誤りを明確に区別する手法であるリスク校正学習を提案する。
• 参考スコア（独自算出の注目度）: 10.82789277277678
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep learning models often achieve expert-level accuracy in medical image classification but suffer from a critical flaw: semantic incoherence. These high-confidence mistakes that are semantically incoherent (e.g., classifying a malignant tumor as benign) fundamentally differ from acceptable errors which stem from visual ambiguity. Unlike safe, fine-grained disagreements, these fatal failures erode clinical trust. To address this, we propose Risk-Calibrated Learning, a technique that explicitly distinguishes between visual ambiguity (fine-grained errors) and catastrophic structural errors. By embedding a confusion-aware clinical severity matrix M into the optimization landscape, our method suppresses critical errors (false negatives) without requiring complex architectural changes. We validate our approach in four different imaging modalities: Brain Tumor MRI, ISIC 2018 (Dermoscopy), BreaKHis (Breast Histopathology), and SICAPv2 (Prostate Histopathology). Extensive experiments demonstrate that our Risk-Calibrated Loss consistently reduces the Critical Error Rate (CER) for all four datasets, achieving relative safety improvements ranging from 20.0% (on breast histopathology) to 92.4% (on prostate histopathology) compared to state-of-the-art baselines such as Focal Loss. These results confirm that our method offers a superior safety-accuracy trade-off across both CNN and Transformer architectures.
• Abstract（参考訳）: 深層学習モデルは、しばしば医療画像分類において専門家レベルの精度を達成するが、重大な欠陥、すなわち意味的不整合に悩まされる。 意味的に不整合(例えば悪性腫瘍を良性と分類するなど)であるこれらの高信頼の誤りは、視覚的曖昧性から生じる許容される誤りと根本的に異なる。 安全できめ細かい不一致とは異なり、これらの致命的な失敗は臨床的信頼を損なう。 そこで我々は,視覚的曖昧さ(きめ細かい誤り)と破滅的な構造的誤りを明確に区別する手法であるリスクキャリブレーション学習を提案する。 難易度行列Mを最適化ランドスケープに埋め込むことで, 複雑なアーキテクチャ変更を必要とせず, 致命的なエラー(偽陰性)を抑えることができる。 脳腫瘍MRI, ISIC 2018 (Dermoscopy), BreaKHis (Breast Histopathology), SICAPv2 (Prostate Histopathology) の4種類の画像でアプローチを検証する。 我々のリスク・キャリブレーション・ロスは、4つのデータセットの臨界エラー率(CER)を一貫して減少させ、フォカル・ロスのような最先端のベースラインと比較して、20.0%(乳房病理学)から92.4%(前立腺病理学)までの比較的安全な改善を実現している。 これらの結果から,本手法はCNNとTransformerアーキテクチャの両方において,より優れた安全性と信頼性のトレードオフを提供することを確認した。

関連論文リスト

• A Semantically Enhanced Generative Foundation Model Improves Pathological Image Synthesis [82.01597026329158]
  本稿では,組織合成のための相関調整フレームワーク(CRAFTS)について紹介する。 CRAFTSは、生物学的精度を確保するためにセマンティックドリフトを抑制する新しいアライメント機構を組み込んでいる。 本モデルは,30種類の癌にまたがる多彩な病理像を生成する。
  論文  参考訳（メタデータ） (2025-12-15T10:22:43Z)
• Multi-modal MRI Translation via Evidential Regression and Distribution Calibration [29.56726531611307]
  本稿では,マルチモーダルMRI翻訳を分布校正を伴う多モーダルな明示的回帰問題として再構成する新しいフレームワークを提案する。 提案手法は,1) 異なるソースモードから不確かさを推定する明示的回帰モジュールと,2) ソースターゲットマッピングシフトに適応する分布校正機構とを具体化したものである。
  論文  参考訳（メタデータ） (2024-07-10T05:17:01Z)
• Classification of Breast Cancer Histopathology Images using a Modified Supervised Contrastive Learning Method [4.303291247305105]
  モデルロバスト性を高めるために、画像レベルラベルとドメイン固有の拡張の両方を活用することで教師付きコントラスト学習法を改善する。 乳癌の病理組織像から得られたBreakHisデータセットについて検討した。 この改良は93.63%の絶対精度に対応し、データの特性を利用してより適切な表現空間を学習するアプローチの有効性を強調した。
  論文  参考訳（メタデータ） (2024-05-06T17:06:11Z)
• Structural-Based Uncertainty in Deep Learning Across Anatomical Scales: Analysis in White Matter Lesion Segmentation [8.64414399041931]
  不確実性定量化(英: Uncertainty Quantification、UQ)は、ホワイトマター病変(WML)セグメンテーションの文脈における、自動ディープラーニング(DL)ツールの信頼性の指標である。 我々は, 構造的予測の相違から, 病変や患者スケールの不確かさを定量化する尺度を開発した。 444例の多心MRIデータから, 病変のモデル誤差をより効果的に把握し, 患者規模を計測できることが示唆された。
  論文  参考訳（メタデータ） (2023-11-15T13:04:57Z)
• Expert Uncertainty and Severity Aware Chest X-Ray Classification by Multi-Relationship Graph Learning [48.29204631769816]
  我々はCXRレポートから病気ラベルを再抽出し,重症度と分類の不確実性を考慮し,より現実的になるようにした。 以上の結果から, 疾患の重症度と不確実性を考慮したモデルが, 従来の最先端手法よりも優れていたことが示唆された。
  論文  参考訳（メタデータ） (2023-09-06T19:19:41Z)
• Novel structural-scale uncertainty measures and error retention curves: application to multiple sclerosis [9.295643448425182]
  磁気共鳴画像(MRI)における白質病変(WML)セグメンテーションの不確実性評価に焦点をあてる。 一方、ボクセルスケールのセグメンテーションエラーは、病変の誤行を引き起こすが、他方では、病変サイズの検出エラーは、間違った病変数を引き起こす。 本研究の目的は, セグメンテーションと病変検出に関する誤差をそれぞれ捉えるために, 異なるボクセルと病変スケールの不確実性対策の能力を比較することである。
  論文  参考訳（メタデータ） (2022-11-09T11:53:29Z)
• In-Line Image Transformations for Imbalanced, Multiclass Computer Vision Classification of Lung Chest X-Rays [91.3755431537592]
  本研究は、COVID-19 LCXRデータ不足のバランスをとるために画像変換を適用するために、文献の体系を活用することを目的としている。 convolutional neural networks(cnns)のようなディープラーニング技術は、健康状態と疾患状態を区別する特徴を選択することができる。 本研究は,CNNアーキテクチャを用いて高速多クラスLCXR分類を94%精度で行う。
  論文  参考訳（メタデータ） (2021-04-06T02:01:43Z)
• Malignancy Prediction and Lesion Identification from Clinical Dermatological Images [65.1629311281062]
  臨床皮膚画像から機械学習に基づく悪性度予測と病変の同定を検討する。 まず, サブタイプや悪性度に関わらず画像に存在するすべての病変を同定し, その悪性度を推定し, 凝集により, 画像レベルの悪性度も生成する。
  論文  参考訳（メタデータ） (2021-04-02T20:52:05Z)
• Bayesian Uncertainty Estimation of Learned Variational MRI Reconstruction [63.202627467245584]
  我々は,モデル不連続な不確かさを定量化するベイズ変分フレームワークを提案する。 提案手法はMRIのアンダーサンプを用いた再建術の術後成績を示す。
  論文  参考訳（メタデータ） (2021-02-12T18:08:14Z)

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。