論文の概要: MPD$^2$-Router: Mask-aware Multi-expert Prior-regularized Dual-head Deferral Router in Glaucoma Screening and Diagnosis

• arxiv url: http://arxiv.org/abs/2605.08024v1
• Date: Fri, 08 May 2026 17:10:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-11 19:43:39.231891
• Title: MPD$^2$-Router: Mask-aware Multi-expert Prior-regularized Dual-head Deferral Router in Glaucoma Screening and Diagnosis
• Title（参考訳）: MPD$^2$-Router:mask-aware Multi-expert pre-regularized Dual-head Deferral Routerによる緑内障のスクリーニングと診断
• Authors: Wenxin Zhan,
• Abstract要約: L2D(Learning-to-defer)は、緑内障のスクリーニングをより安全にするために、難しいケースや不確実なケースをヒトにルーティングする。 我々は,眼科トリアージを制約付きAIルーティングとして再放送するマスク対応マルチエキスパート・デフェラル・フレームワークをMPD$2$で導入する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Learning-to-defer (L2D) can make glaucoma screening safer by routing difficult/uncertain cases to humans, yet standard formulations overlook expert availability, heterogeneous readers behavior, workload imbalance, asymmetric diagnostic harm, case difficulty from morphology and deployment shift. We introduce MPD$^2$-Router, a mask-aware multi-expert deferral framework that recasts ophthalmic triage as constrained human--AI routing: whether to defer and to which available expert. It couples a dual-head deferral/allocation policy with mask-aware Gumbel--sigmoid gating that strictly enforces per-sample availability, and fuses uncertainty, morphology, image-quality, and OOD signals. Training uses an asymmetric cost-sensitive objective with an augmented-Lagrangian deferral budget, a group-specific distribution prior, and a rank-majorization JS regularizer that jointly prevent expert collapse without forcing uniform allocation. Across three cross-national glaucoma cohorts (REFUGE, CHAKSU, ORIGA) with a frozen REFUGE-trained backbone, MPD$^2$-Router substantially lowers clinical cost and improves MCC over AI-only at a moderate deferral rate. It is Pareto-optimal in F1--MCC--cost, robust under cross-domain shift, and yields balanced expert utilization.
• Abstract（参考訳）: L2D(Learning-to-defer)は、緑内障のスクリーニングをより安全にするために、困難/不確実なケースをヒトにルーティングするが、標準的な定式化では、専門家の可用性、不均一な読者の振る舞い、ワークロードの不均衡、非対称な診断障害、形態学からのケース困難、デプロイメントシフトを見越すことができる。 MPD$^2$-Routerは、眼科トリアージを制約されたヒト-AIルーティングとして再キャストするマスク対応マルチエキスパートデフェラルフレームワークである。 デュアルヘッドのdeferral/allocationポリシーとマスクを意識したGumbel--Sigmoid Gatingを組み合わせ、サンプルごとの可用性を厳格に強制し、不確実性、形態、画像品質、OOD信号を融合する。 トレーニングでは、拡張ラグランジアンデフェラル予算、グループ固有の分布前、および均一な割り当てを強制せずに専門家の崩壊を共同で防止するランク調整JSレギュレータを用いて、非対称なコスト感受性の目標を使用する。 ReFUGE, CHAKSU, ORIGAの3つのクロスカントリー緑内障コホート(REFUGE, CHAKSU, ORIGA)に凍結したREFUGEをトレーニングしたバックボーンを装着すると, MPD$^2$-Routerは臨床コストを大幅に低減し, AIのみよりもMCCを適度な遅延速度で改善する。 F1-MCCのコストはパレート最適であり、ドメイン間シフト下では堅牢であり、専門家の利用率が均衡している。

関連論文リスト

• DeferredSeg: A Multi-Expert Deferral Framework for Trustworthy Medical Image Segmentation [66.24948946364329]
  DeferredSegは、特定の地域の人間専門家に予測をデファクトする、遅延認識セグメンテーションフレームワークである。 我々は、MedSAMとCENetをベースセグメンタとして、公平な比較のための3つの挑戦的な医療データセット上でDederredSegを評価した。 DeferredSegが一貫してベースラインを上回っていることを示す実験結果が得られた。
  論文  参考訳（メタデータ） (2026-04-14T07:50:31Z)
• Neural Uncertainty Principle: A Unified View of Adversarial Fragility and LLM Hallucination [60.197429875410286]
  大規模言語モデルにおける視覚と幻覚の対立的脆弱性は、伝統的に別の問題と見なされている。 損失誘起状態下でのニューラル不確実性原理(NUP)の定式化により, ほぼバウンド状態においては, さらなる圧縮は感度分散の増大を伴うことが判明した。 視覚では、高度に結合したコンポーネントをマスキングすることで、コストのかかる敵の訓練なしに堅牢性を向上させる。 言語では、任意の応答トークンを生成する前に、同じプレフィルステージプローブが幻覚リスクを検出する。
  論文  参考訳（メタデータ） (2026-03-20T02:07:10Z)
• Agentic Uncertainty Quantification [76.94013626702183]
  本稿では,言語化された不確実性をアクティブな双方向制御信号に変換する統合されたデュアルプロセスエージェントUQ(AUQ)フレームワークを提案する。 システム1(Uncertainty-Aware Memory, UAM)とシステム2(Uncertainty-Aware Reflection, UAR)は、これらの説明を合理的な手段として利用し、必要な時にのみターゲットの推論時間解決をトリガーする。
  論文  参考訳（メタデータ） (2026-01-22T07:16:26Z)
• MMedExpert-R1: Strengthening Multimodal Medical Reasoning via Domain-Specific Adaptation and Clinical Guideline Reinforcement [63.82954136824963]
  医療ビジョンランゲージモデルでは、現実世界のシナリオで必要とされる複雑な臨床推論を伴う知覚タスクが優れている。 本稿ではドメイン固有の適応とガイドライン強化を通じてこれらの課題に対処する新しい推論MedVLMを提案する。
  論文  参考訳（メタデータ） (2026-01-16T02:32:07Z)
• PASS: Probabilistic Agentic Supernet Sampling for Interpretable and Adaptive Chest X-Ray Reasoning [31.42306351491176]
  PASS(Probabilistic Agentic Supernet Smpling)は、Chest X-Ray(CXR)推論の文脈でこれらの課題に対処する最初のマルチモーダルフレームワークである。 PASSは、マルチツールグラフ上でエージェントを適応的にサンプリングし、解釈可能な確率でアノテートされた決定経路を生成する。
  論文  参考訳（メタデータ） (2025-08-14T10:03:47Z)
• Adversarial Robustness in Two-Stage Learning-to-Defer: Algorithms and Guarantees [6.792743621449621]
  2段階のL2D(Learning-to-Defer)は、各入力を固定されたメインモデルまたは複数のオフライン専門家のいずれかに割り当てることで、最適なタスクデリゲートを可能にする。 既存のL2Dフレームワークはクリーンな入力を前提としており、クエリ割り当てを操作できる敵の摂動に弱い。 2段階L2Dシステムにおける対向ロバスト性の最初の包括的研究について述べる。
  論文  参考訳（メタデータ） (2025-02-03T03:44:35Z)

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。