論文の概要: Adaptive Conformal Prediction for Reliable and Explainable Medical Image Classification

• arxiv url: http://arxiv.org/abs/2605.12917v1
• Date: Wed, 13 May 2026 02:45:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-14 23:30:27.768496
• Title: Adaptive Conformal Prediction for Reliable and Explainable Medical Image Classification
• Title（参考訳）: 信頼性・説明可能な医用画像分類のための適応的コンフォーマル予測
• Authors: One Octadion, Novanto Yudistira, Lailil Muflikhah,
• Abstract要約: 本稿では,RAPSに対する適応型Lambda Criterionを提案する。 提案手法は, 平均セットサイズ1.09, および全層にわたって少なくとも90%のカバー範囲で, 95.72パーセントの世界的なカバー範囲を達成している。
• 参考スコア（独自算出の注目度）: 3.466510324781552
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep learning models for medical imaging often exhibit overconfidence, creating safety risks in ambiguous diagnostic scenarios. While Conformal Prediction (CP) provides distribution-free statistical guarantees, standard methods such as Regularized Adaptive Prediction Sets (RAPS) optimize for average efficiency and can mask severe failures on difficult inputs. We propose an Adaptive Lambda Criterion for RAPS that minimizes the worst-case coverage violation across prediction set size strata. On OrganAMNIST (58,850 abdominal CT images, 11 classes), standard size-optimized RAPS converges to near-deterministic behavior with stratified undercoverage on uncertain samples, while our method achieves 95.72 percent global coverage with average set size 1.09 and at least 90 percent coverage across all strata. Cross-domain validation on PathMNIST (107,180 pathology images, 9 classes) confirms generalizability. Quantitative Grad-CAM analysis (rho = -0.30, p < 1e-22) shows that multi-label predictions correspond to focused attention on anatomically ambiguous regions. These results demonstrate that the proposed method improves reliability while maintaining efficiency, making it suitable for safety-critical medical AI applications.
• Abstract（参考訳）: 医療画像のための深層学習モデルは、しばしば自信過剰を示し、曖昧な診断シナリオにおける安全性のリスクを生じさせる。 Conformal Prediction (CP) は分布のない統計保証を提供するが、正規化適応予測セット (RAPS) のような標準手法は平均効率を最適化し、困難な入力に対して深刻な障害を隠蔽することができる。 本稿では,RAPSに対する適応型Lambda Criterionを提案する。 OrganAMNIST (58,850腹部CT画像, 11クラス)では,標準サイズ最適化RAPSは,不確実な試料を層状化してほぼ決定論的挙動に収束する。 PathMNISTのクロスドメイン検証(107,180の病理画像、9クラス)は、一般化性を確認している。 定量的なGrad-CAM分析 (rho = -0.30, p < 1e-22) により, 多ラベル予測は解剖学的に曖昧な領域に焦点を合わせていることが示された。 これらの結果から,提案手法は効率を保ちながら信頼性を向上し,安全クリティカルな医療用AIアプリケーションに適合することが示唆された。

関連論文リスト

• Making Conformal Predictors Robust in Healthcare Settings: a Case Study on EEG Classification [13.423110268586287]
  臨床診断における不確実性の定量化は,高用量診断タスクにおいて重要である。 脳波の発作分類におけるコンフォメーション予測手法について検討した。 パーソナライズされたキャリブレーション戦略は、カバレッジを20パーセント以上改善できることを示す。
  論文  参考訳（メタデータ） (2026-02-23T03:59:32Z)
• Anatomically-aware conformal prediction for medical image segmentation with random walks [8.829058131683764]
  コンフォーマル予測(CP)は統計的に有効な予測区間を構築するための強力な分布自由フレームワークである。 本稿では,任意のセグメンテーション法上に付加可能なモデルに依存しないフレームワークであるランダム-ウォーク整形予測(RW-CP)を提案する。
  論文  参考訳（メタデータ） (2026-01-26T22:16:07Z)
• Adaptive Conformal Prediction via Bayesian Uncertainty Weighting for Hierarchical Healthcare Data [2.922743999325622]
  本稿では,医療予測の基本的な限界に対処するハイブリッドベイズ・コンフォーマル・フレームワークを提案する。 提案手法は, ベイズ系階層的ランダム林と群対応型コンフォメーションキャリブレーションを統合し, 後方不確かさを重み適合度スコアに用いた。 米国3,793の病院と4つの地域にわたる61,538件の入院状況について検討した。
  論文  参考訳（メタデータ） (2026-01-03T16:06:37Z)
• Conditional Coverage Diagnostics for Conformal Prediction [47.93989136542648]
  条件付きカバレッジ推定が分類問題であることを示す。 得られたメトリクスの族をターゲットカバレッジ(ERT)の過剰なリスクと呼びます。 ERTのオープンソースパッケージと、以前の条件付きカバレッジメトリクスをリリースしています。
  論文  参考訳（メタデータ） (2025-12-12T18:47:39Z)
• Conformal Prediction Sets with Improved Conditional Coverage using Trust Scores [52.92618442300405]
  有限サンプルにおいて、正確に分布のない条件付きカバレッジを達成することは不可能である。 本稿では,最も重要となる範囲を対象とするコンフォメーション予測アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-01-17T12:01:56Z)
• 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)
• Improving Trustworthiness of AI Disease Severity Rating in Medical Imaging with Ordinal Conformal Prediction Sets [0.7734726150561088]
  統計的に厳密な不確実性定量化の欠如は、AI結果の信頼を損なう重要な要因である。 分布自由不確実性定量化の最近の進歩は、これらの問題に対する実用的な解決策である。 本稿では, 正しい狭窄の重症度を含むことが保証される順序予測セットを形成する手法を実証する。
  論文  参考訳（メタデータ） (2022-07-05T18:01:20Z)
• UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced Data [81.00385374948125]
  我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。 UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。 非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。 UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
  論文  参考訳（メタデータ） (2020-10-22T02:28:11Z)

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。