論文の概要: Does Machine Unlearning Preserve Clinical Safety? A Risk Analysis for Medical Image Classification

• arxiv url: http://arxiv.org/abs/2604.23854v1
• Date: Sun, 26 Apr 2026 19:47:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-28 17:12:07.594069
• Title: Does Machine Unlearning Preserve Clinical Safety? A Risk Analysis for Medical Image Classification
• Title（参考訳）: 機械学習は臨床安全性を保っているか? : 医用画像分類におけるリスク分析
• Authors: Andreza M. C. Falcao, Filipe R. Cordeiro,
• Abstract要約: 二元的医用画像分類において,アンラーニングが臨床リスクにどのように影響するかを示す。 本稿では,ランダムなラベリングをエントロピーベースで置き換えるSalUnの亜種であるSalUn-CRA(Clinical Risk-Aware)を提案する。 非対称なコストでGlobal Riskメトリクスを使用することで、SalUn-CRAは、より低いまたは同等の臨床リスクをフルリトレーニングに達成する。
• 参考スコア（独自算出の注目度）: 0.5647577824219207
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The application of Deep Learning in medical diagnosis must balance patient safety with compliance with data protection regulations. Machine Unlearning enables the selective removal of training data from deployed models. However, most methods are validated primarily through efficiency and privacy-oriented metrics, with limited attention to clinically asymmetric error costs. In this work, we investigate how unlearning affects clinical risk in binary medical image classification. We show that standard unlearning strategies (Fine-Tuning, Random Labeling, and SalUn) may reduce test utility while increasing false-negative rates, thereby amplifying clinical risk. To mitigate this, we propose SalUn-CRA (Clinical Risk-Aware), a variant of SalUn that replaces random relabeling with entropy-based forgetting for malignant samples in the forget set, preventing the model from learning harmful benign associations. We evaluate on DermaMNIST and PathMNIST medical image datasets under 20% and 50% data removal. Using Global Risk metrics with asymmetric costs, SalUn-CRA achieves lower or comparable clinical risk to full retraining while preserving unlearning effectiveness. These results suggest that clinical risk should be an integral component of unlearning validation in medical systems.
• Abstract（参考訳）: 深層学習の医学的診断への応用は、患者の安全とデータ保護規則の遵守のバランスをとる必要がある。 Machine Unlearningは、デプロイされたモデルからトレーニングデータの選択的削除を可能にする。 しかし、ほとんどの手法は効率性やプライバシ指向のメトリクスによって検証され、臨床的に非対称なエラーコストに制限される。 本研究では,二元的医用画像分類において,アンラーニングが臨床リスクに与える影響について検討する。 本研究では, 偽陰性率を増大させ, 臨床リスクを増大させるとともに, 標準的なアンラーニング戦略(Fine-Tuning, Random Labeling, SalUn)がテストの有用性を低下させることを示した。 これを軽減するために,SalUn-CRA (Clinical Risk-Aware) の変種であるSalUnを提案する。 DermaMNISTとPathMNISTの医療画像データセットを20%と50%のデータ除去で評価した。 非対称なコストでGlobal Riskメトリクスを使用することで、SalUn-CRAは、未学習の有効性を維持しながら、完全再トレーニングに対する低または同等の臨床リスクを達成する。 これらの結果から,臨床リスクは医療システムにおける未学習の検証に不可欠な要素であることが示唆された。

関連論文リスト

• Risk-Aware Robust Learning: Reducing Clinical Risk under Label Noise in Medical Image Classification [0.5647577824219207]
  医学的診断において、偽陰性(欠病)は偽陽性(偽アラーム)よりも著しく高い結果をもたらす 本研究は,ラベルノイズ下で臨床安全を保っているかを検討する。 我々は,2項化DermaMNISTおよびPathMNISTデータセットに対するGMMに基づくフィルタリング手法を用いて,最先端のノイズロバスト手法の体系的評価を行う。
  論文  参考訳（メタデータ） (2026-04-26T20:36:16Z)
• Scalably Enhancing the Clinical Validity of a Task Benchmark with Physician Oversight [5.202988483354374]
  本研究では,複雑なタスクの監視ベンチマークを,定期的に再評価すべき 'in-progress living document'' として提案する。 我々は,先進的なエージェント検証を利用して,MedCalc-Benchを監査し,レラベル化する,系統的,内科的・内科的パイプラインを提案する。 検査の結果,抽出ミス,電卓論理ミスマッチ,臨床曖昧さなどにより,原著ラベルの顕著な部分が医学的根拠の真相から逸脱していることが判明した。
  論文  参考訳（メタデータ） (2025-12-22T18:59:34Z)
• Conformal Lesion Segmentation for 3D Medical Images [82.92159832699583]
  本稿では,データ駆動しきい値の校正をコンフォーマル化することで,テスト時間FNRが目標許容値以下であることを保証する,リスク制約付きフレームワークを提案する。 5つのバックボーンモデルにまたがる6つの3D-LSデータセット上でのCLSの統計的健全性と予測性能を検証し,臨床実践におけるリスク認識セグメンテーションの展開に関する実用的な知見を得た。
  論文  参考訳（メタデータ） (2025-10-19T08:21:00Z)
• Machine learning algorithms to predict the risk of rupture of intracranial aneurysms: a systematic review [0.34230991323146376]
  くも膜下出血は頭蓋内動脈瘤破裂の致命的な原因である。 機械学習は頭蓋内動脈瘤の破裂リスクを予測するために応用できる。 しかし、この証拠は既存の実践よりも総合的に優位性を示すものではない。
  論文  参考訳（メタデータ） (2024-12-06T03:25:01Z)
• Improving Multiple Sclerosis Lesion Segmentation Across Clinical Sites: A Federated Learning Approach with Noise-Resilient Training [75.40980802817349]
  深層学習モデルは、自動的にMS病変を分節する約束を示しているが、正確な注釈付きデータの不足は、この分野の進歩を妨げている。 我々は,MS病変の不均衡分布とファジィ境界を考慮したDecoupled Hard Label Correction(DHLC)戦略を導入する。 また,集約型中央モデルを利用したCELC(Centrally Enhanced Label Correction)戦略も導入した。
  論文  参考訳（メタデータ） (2023-08-31T00:36:10Z)
• A Generalized Unbiased Risk Estimator for Learning with Augmented Classes [70.20752731393938]
  ラベルなしのデータが与えられた場合、非バイアスリスク推定器(URE)が導出され、理論的保証のあるLACでは最小限にすることができる。 理論的な保証を維持しつつ任意の損失関数を装備できる一般化されたUREを提案する。
  論文  参考訳（メタデータ） (2023-06-12T06:52:04Z)
• Safe Deployment for Counterfactual Learning to Rank with Exposure-Based Risk Minimization [63.93275508300137]
  本稿では,安全な配置を理論的に保証する新たなリスク認識型対実学習ランク法を提案する。 提案手法の有効性を実験的に検証し,データが少ない場合の動作不良の早期回避に有効であることを示す。
  論文  参考訳（メタデータ） (2023-04-26T15:54:23Z)
• 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)
• A New Approach for Interpretability and Reliability in Clinical Risk Prediction: Acute Coronary Syndrome Scenario [0.33927193323747895]
  我々は、リスクスコアと機械学習モデルの両方の最高の特徴を組み合わせた、新たなリスクアセスメント方法論を作成するつもりです。 提案手法は、標準LRと同一の試験結果を得たが、より優れた解釈性とパーソナライゼーションを提供する。 個人予測の信頼性推定は誤分類率と大きな相関を示した。
  論文  参考訳（メタデータ） (2021-10-15T19:33:46Z)
• Active Deep Learning on Entity Resolution by Risk Sampling [5.219701379581547]
  アクティブラーニング(al)は、モデルトレーニングに有用なデータに焦点を当てた、実現可能なソリューションである。 実体解決のためのリスクサンプリング(ER)の新たなALアプローチを提案する。 ALのコアセット特性に基づいて、非一様連続性によるコアセット損失を最小限に抑える最適化モデルを理論的に導出する。 実データに対する提案手法の有効性を比較検討により実証的に検証した。
  論文  参考訳（メタデータ） (2020-12-23T20:38:25Z)

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。