論文の概要: Risk-Aware Robust Learning: Reducing Clinical Risk under Label Noise in Medical Image Classification

• arxiv url: http://arxiv.org/abs/2604.23875v1
• Date: Sun, 26 Apr 2026 20:36:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-28 17:12:07.657611
• Title: Risk-Aware Robust Learning: Reducing Clinical Risk under Label Noise in Medical Image Classification
• Title（参考訳）: リスク対応ロバスト学習:医療画像分類におけるラベルノイズによる臨床リスクの低減
• Authors: Maycon R. S. Pereira, Filipe R. Cordeiro,
• Abstract要約: 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。
• 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: Noisy labels are a pervasive challenge in medical image classification, where annotation errors arise from inter-observer variability and diagnostic ambiguity. Although several noise-robust learning methods have been proposed, their evaluation predominantly relies on accuracy-oriented metrics, overlooking the clinical implications of asymmetric error costs. In medical diagnosis, a false negative (missed disease) carries substantially higher consequences than a false positive (false alarm), as delayed treatment can directly impact patient outcomes. In this work, we investigate whether noise-robust training methods preserve clinical safety under label noise. We conduct a systematic risk-aware evaluation of the state-of-the-art noise-robust methods Coteaching, DivideMix, UNICON, and a GMM-based filtering approach on binarized DermaMNIST and PathMNIST datasets under clean and label noise rates of 20%, and 40%. Beyond balanced accuracy, we adopt a cost-sensitive Global Risk formulation that explicitly penalizes false negatives. Our analysis reveals that the robustness of state-of-the-art methods does not guarantee clinical safety. Furthermore, we demonstrate that integrating cost-sensitive optimization into noise-robust training significantly reduces clinical risk, while mantaining model utility. These findings demonstrate that noise-robust learning must be evaluated through a clinical risk lens, and that combining robust training with cost-sensitive optimization can meaningfully reduce risk in noisy-label medical imaging scenarios.
• Abstract（参考訳）: ノイズラベルは、医用画像分類において広範囲にわたる課題であり、アノテーションエラーは、サーバ間のばらつきと診断の曖昧さから生じる。 いくつかのノイズロバスト学習法が提案されているが、その評価は主に精度指向のメトリクスに依存し、非対称な誤差コストの臨床的意義を見越す。 医学的診断において、偽陰性(欠病)は偽陽性(偽アラーム)よりも有意に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データセットを20%,40%のクリーン・ラベルノイズ率で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。 バランスの取れた精度以外にも、偽陰性を明示的に罰するコスト感受性のグローバルリスクの定式化を採用しています。 解析の結果,最先端手法の堅牢性は臨床安全性を保証していないことが明らかとなった。 さらに,ノイズロバストトレーニングにコスト依存的最適化を組み込むことで臨床リスクを著しく低減し,モデルの有用性を維持できることが実証された。 これらの結果から, 臨床リスクレンズを用いてノイズロスト学習を評価すべきであり, コスト感受性の最適化とロバストトレーニングを組み合わせることで, ノイズラベル医療画像のリスクを有意に低減できることが示唆された。

関連論文リスト

• Does Machine Unlearning Preserve Clinical Safety? A Risk Analysis for Medical Image Classification [0.5647577824219207]
  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。
  論文  参考訳（メタデータ） (2026-04-26T19:47:57Z)
• 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)
• A Fully Automatic Framework for Intracranial Pressure Grading: Integrating Keyframe Identification, ONSD Measurement and Clinical Data [3.6652537579778106]
  頭蓋内圧(ICP)上昇は脳機能に深刻な脅威をもたらし、時間的介入の監視を必要とする。 OnSD測定と臨床データを統合したICPグレーティングのための完全自動2段階フレームワークを提案する。 評価精度は0.845 pm 0.071$, 独立試験精度0.786であり, 従来のしきい値法よりも優れていた。
  論文  参考訳（メタデータ） (2025-09-11T11:37:48Z)
• Label Uncertainty for Ultrasound Segmentation [25.682215047694168]
  医用画像では、放射線医の間でのサーバ間変動は、しばしばラベルの不確実性をもたらす。 我々は、専門家が供給する画素ごとの信頼度値を用いて、AIモデルのラベル付けとトレーニングの両方に新しいアプローチを導入する。
  論文  参考訳（メタデータ） (2025-08-21T15:00:21Z)
• Research on Disease Prediction Model Construction Based on Computer AI deep Learning Technology [4.438184989650338]
  本研究は,ロバスト学習アルゴリズムを研究対象とし,感染リスクの早期警告に適用することを目的とする。 トレーニング損失に対する低境界を構築し, サンプリング率に基づく手法を提案し, トレーニング結果に対するノイズの影響を低減した。
  論文  参考訳（メタデータ） (2024-06-23T18:44:03Z)
• 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)
• 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)
• Robust Medical Image Classification from Noisy Labeled Data with Global and Local Representation Guided Co-training [73.60883490436956]
  本稿では,ロバストな医用画像分類のためのグローバルおよびローカルな表現学習を用いた新しい協調学習パラダイムを提案する。 ノイズラベルフィルタを用いた自己アンサンブルモデルを用いて、クリーンでノイズの多いサンプルを効率的に選択する。 また,ネットワークを暗黙的に正規化してノイズの多いサンプルを利用するための,グローバルかつ局所的な表現学習手法を設計する。
  論文  参考訳（メタデータ） (2022-05-10T07:50:08Z)
• Improving Medical Image Classification with Label Noise Using Dual-uncertainty Estimation [72.0276067144762]
  医用画像における2種類のラベルノイズについて論じ,定義する。 医用画像分類作業中にこれら2つのラベルノイズを処理する不確実性推定に基づくフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-02-28T14:56:45Z)

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。