Fugu-MT 論文翻訳(概要): CURE-OOD: Benchmarking Out-of-Distribution Detection for Survival Prediction

論文の概要: CURE-OOD: Benchmarking Out-of-Distribution Detection for Survival Prediction

arxiv url: http://arxiv.org/abs/2605.00350v1
Date: Fri, 01 May 2026 02:17:47 GMT
ステータス: 翻訳完了
システム内更新日: 2026-05-04 17:43:28.821176
Title: CURE-OOD: Benchmarking Out-of-Distribution Detection for Survival Prediction
Title（参考訳）: CURE-OOD: 生存予測のためのアウト・オブ・ディストリビューション検出のベンチマーク
Authors: Wenjie Zhao, Jia Li, Mingrui Liu, Jing Wang, Yunhui Guo,
Abstract要約: がん生存予測は心理的苦痛を緩和し、リスク階層化とパーソナライズされた治療計画を支援する。近年の生存予測フレームワークはCT(Computed Tomography)画像を用いて高い性能を示した。画像取得のバリエーションには、アウト・オブ・ディストリビューション(OOD)サンプルが導入されている。既存のベンチマークでは、癌生存予測におけるOOD検出を体系的に研究していない。
参考スコア（独自算出の注目度）: 44.08596203250721
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: ``How long can I live and remain free of cancer?'' is often the first question a patient asks after receiving a cancer diagnosis and treatment. Accurate survival prediction helps alleviate psychological distress and supports risk stratification and personalized treatment planning. Recent survival prediction frameworks have shown strong performance using computed tomography (CT) images. However, variations in imaging acquisition introduce out-of-distribution (OOD) samples caused by covariate shifts that undermine model reliability. Despite this challenge, to our knowledge, no existing benchmark systematically studies OOD detection in cancer survival prediction. To address this gap, we introduce the Cancer sURvival bEnchmark for OOD Detection (CURE-OOD), the first benchmark for systematically evaluating OOD detection in survival prediction under controlled acquisition-induced distribution shifts. CURE-OOD defines scanner-parameter-based training, in-distribution (ID), and OOD test splits across four survival prediction tasks. Our experiments show that covariate shifts notably reduce survival prediction performance. It also shows that mainstream classification-oriented OOD detectors can fail in survival prediction. Finally, we include HazardDev as a simple survival-aware reference baseline for OOD detection. CURE-OOD enables systematic analysis of how distribution shifts affect both downstream survival performance and OOD detectability.
Abstract（参考訳）: がんの診断と治療を受けた後、患者が最初に問う質問は「いつまで生き続けることができるのか?」である。正確な生存予測は、心理的苦痛を緩和し、リスク階層化とパーソナライズされた治療計画を支援する。近年の生存予測フレームワークはCT(Computed Tomography)画像を用いて高い性能を示した。しかし、画像取得のバリエーションは、モデル信頼性を損なう共変量シフトによって引き起こされる、アウト・オブ・ディストリビューション(OOD)サンプルをもたらす。この課題にもかかわらず、我々の知る限り、癌生存予測におけるOOD検出を体系的に研究するベンチマークは存在しない。そこで我々は,OOD検出のための癌生存bEnchmark for OOD Detection (CURE-OOD)を導入した。 CURE-OODはスキャナーパラメータベースのトレーニング、分散(ID)、OODテストは4つの生存予測タスクに分けられる。実験の結果,共変量シフトは生存予測性能を著しく低下させることがわかった。また、主流の分類指向のOOD検出器は生存予測に失敗する可能性があることも示している。最後に、OOD検出のためのシンプルなサバイバル対応リファレンスベースラインとしてHazardDevを含めます。 CURE-OODは、下流の生存性能とOOD検出性の両方に分布変化がどう影響するかを系統的に分析できる。

関連論文リスト

ProOOD: Prototype-Guided Out-of-Distribution 3D Occupancy Prediction [77.70461178466043]
3Dセマンティック占有予測は自動運転の中心である。現在の手法は、長い尾のクラスバイアスとアウト・オブ・ディストリビューション(OOD)インプットに弱い。本稿では,プロトタイプ誘導改良とトレーニング不要なOODスコアを併用した,軽量なプラグアンドプレイ方式ProOODを提案する。
論文参考訳（メタデータ） (2026-04-01T16:11:59Z)
General OOD Detection via Model-aware and Subspace-aware Variable Priority [1.293838707857305]
教師付きモデルがトレーニング分布と有意に異なる入力にいつ遭遇するかを決定するためには、アウト・オブ・ディストリビューション(OOD)検出が不可欠である。我々は、OOD検出のためのフレームワークを導入し、同時にモデル認識とサブスペース認識を行い、変数の優先順位付けを直接検出ステップに組み込む。
論文参考訳（メタデータ） (2025-12-15T05:55:35Z)
The Best of Both Worlds: On the Dilemma of Out-of-distribution Detection [75.65876949930258]
アウト・オブ・ディストリビューション(OOD)検出はモデル信頼性に不可欠である。我々は,OODの一般化能力を秘かに犠牲にすることで,最先端手法のOOD検出性能が向上することを示す。
論文参考訳（メタデータ） (2024-10-12T07:02:04Z)
SurvCORN: Survival Analysis with Conditional Ordinal Ranking Neural Network [4.772480981435387]
本稿では,条件付き順序付きランキングネットワークを用いた生存曲線の予測手法であるSurvCORNを提案する。また,モデル予測の精度を評価するための指標であるSurvMAEを導入する。
論文参考訳（メタデータ） (2024-09-30T03:01:25Z)
Iterative Deployment Exposure for Unsupervised Out-of-Distribution Detection [5.019613806273252]
Iterative Deployment Exposure (IDE)は、アウト・オブ・ディストリビューション(OOD)検出のための、新しくより現実的な設定である。 CSOは、マハラノビス距離と最寄りのアプローチを組み合わせた新しいU-OODスコアリング関数を使用している。提案手法は, 医用画像の3つのモダリティに対して, 強いベースラインで大幅に改善されていることを示す。
論文参考訳（メタデータ） (2024-06-04T13:57:34Z)
Supervised Machine Learning for Breast Cancer Risk Factors Analysis and Survival Prediction [0.5249805590164902]
最も効果的な治療法の選択は、最終的には乳がん生存予測に影響されるかもしれない。本研究では,1904年の患者記録を用いて5年間の乳癌生存を機械学習を用いて予測した。
論文参考訳（メタデータ） (2023-04-13T12:32:14Z)
Rethinking Out-of-distribution (OOD) Detection: Masked Image Modeling is All You Need [52.88953913542445]
簡単な再構築手法を用いることで,OOD検出の性能が大幅に向上する可能性が示唆された。我々は、OOD検出フレームワーク(MOOD)のプリテキストタスクとして、マスケ画像モデリング(Masked Image Modeling)を採用する。
論文参考訳（メタデータ） (2023-02-06T08:24:41Z)
Confidence-based Out-of-Distribution Detection: A Comparative Study and Analysis [17.398553230843717]
我々は、信頼度に基づくOOD検出のための様々な最先端手法の能力を評価する。まず,コンピュータビジョンベンチマークを用いて複数のOOD検出手法を再現・比較する。次に,胸部X線を用いた疾患分類の課題に対して,その能力を評価する。
論文参考訳（メタデータ） (2021-07-06T12:10:09Z)
Provably Robust Detection of Out-of-distribution Data (almost) for free [124.14121487542613]
ディープニューラルネットワークは、アウト・オブ・ディストリビューション(OOD)データに対する高い過度な予測を生成することが知られている。本稿では,認証可能なOOD検出器を標準分類器と組み合わせてOOD認識分類器を提案する。このようにして、我々は2つの世界のベストを達成している。OOD検出は、分布内に近いOODサンプルであっても、予測精度を損なうことなく、非操作型OODデータに対する最先端のOOD検出性能に近接する。
論文参考訳（メタデータ） (2021-06-08T11:40:49Z)

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。