論文の概要: Beyond Metadata: CAPRA for Hidden Subgroup Analysis under Missing Metadata in Medical Imaging

• arxiv url: http://arxiv.org/abs/2607.09102v1
• Date: Fri, 10 Jul 2026 05:33:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-13 14:47:12.794907
• Title: Beyond Metadata: CAPRA for Hidden Subgroup Analysis under Missing Metadata in Medical Imaging
• Title（参考訳）: 医療画像における欠測メタデータに基づく隠れサブグループ分析のためのCAPRA
• Abstract要約: CAPRAは、欠落したメタデータの下で隠れたサブグループ分析のためのプロキシ軸フレームワークである。 意味軸を予測し、軸後部を校正し、それらの後部を校正されたサブグループインターフェースに編成する。 全体として、CAPRAは、欠落したメタデータの下で隠れたサブグループ分析を、校正され、解釈可能で、再利用可能なサブグループインターフェースに変える。
• 参考スコア（独自算出の注目度）: 26.79956231653318
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Medical imaging models are often deployed without the demographic, acquisition, and quality metadata needed for subgroup auditing. Once those metadata disappear, clinically critical failure modes can be masked by strong aggregate performance, and many robust-learning methods lose the group structure they rely on. We present CAPRA, a calibrated proxy-axis framework for hidden subgroup analysis under missing metadata. CAPRA predicts image-derived semantic axes, calibrates axis posteriors on a small metadata-labeled split via patient-level cross-fitting, and organizes those posteriors into a calibrated subgroup interface that supports both deployment-time failure analysis and downstream robust learning without requiring subgroup labels at deployment. Across fundus, dermoscopy, and chest radiography, CAPRA reveals disparity patterns missed by metadata-only slicing, remains informative under dataset shift, and produces subgroup partitions that align more closely with explicit failure axes than image-only or latent-slice baselines. The same interface can also be reused by downstream robust learners, although those gains are domain-dependent. Overall, CAPRA turns hidden subgroup analysis under missing metadata into a calibrated, interpretable, and reusable subgroup interface for deployment-time analysis and robust transfer.
• Abstract（参考訳）: 医療画像モデルは、しばしば、サブグループ監査に必要な人口統計、取得、品質メタデータなしで展開される。 これらのメタデータが消えると、臨床的に重要な障害モードは強力な集約的パフォーマンスによって隠蔽され、多くの堅牢な学習手法は依存するグループ構造を失う。 CAPRAは,メタデータの欠如下での隠れサブグループ解析のための調整されたプロキシ軸フレームワークである。 CAPRAは、画像由来のセマンティック軸、患者レベルのクロスフィッティングを通じて、小さなメタデータラベル付きスプリット上のカリブラート軸後部を予測し、それらの後部を、デプロイ時にサブグループラベルを必要とせずに、デプロイメント時の障害分析と下流ロバスト学習の両方をサポートするキャリブレーションされたサブグループインターフェースに編成する。 眼底、皮膚鏡、胸部X線撮影において、CAPRAはメタデータのみスライシングによって見逃された相違パターンを明らかにし、データセットシフトの下では情報的であり、画像のみまたは潜時スライスベースラインよりも明示的な障害軸とより密に一致したサブグループパーティションを生成する。 同じインターフェースは下流の堅牢な学習者でも再利用できるが、これらの利得はドメインに依存している。 全体として、CAPRAは、欠落したメタデータの下で隠れたサブグループ分析を、デプロイ時の分析とロバストな転送のために、キャリブレーションされた、解釈可能な、再利用可能なサブグループインターフェースに変える。

関連論文リスト

• Imputation Meets Clustering: Exploiting Latent Subgroup Structure for Missing Data Recovery [52.29866804948133]
  本稿では、クラスタリングと命令を相互に強化する共最適化プロセスとして再構築するフレームワークであるCAGI(Cluster-Aware Generative Imputation)を提案する。 14のベンチマークデータセットと15の代表的なベースラインの実験は、CAGIの優位性を実証している。
  論文  参考訳（メタデータ） (2026-07-08T02:50:02Z)
• Med-SegLens: Latent-Level Model Diffing for Interpretable Medical Image Segmentation [0.0]
  セグメンテーションモデルのアクティベーションを解釈可能な潜在機能に分解するモデル微分フレームワークであるMed-SegLensを紹介する。 遅延レベルの介入は誤りを訂正し、再トレーニングなしにデータセット間の適応を改善することができることを示す。
  論文  参考訳（メタデータ） (2026-02-11T04:15:36Z)
• Subgroup Performance Analysis in Hidden Stratifications [4.525676373095224]
  機械学習モデルは、患者グループ間での大幅なパフォーマンス格差に悩まされる可能性がある。 分類ラベルやメタデータにアクセスすることなく、簡易なサブグループ発見手法を提案する。 医療における信頼性の高いAIの総合的なパフォーマンス検証とモニタリングのための重要なツールとして,サブグループ発見が有効である,という最初の説得力のある証拠を提供する。
  論文  参考訳（メタデータ） (2025-03-13T13:57:24Z)
• SpaRG: Sparsely Reconstructed Graphs for Generalizable fMRI Analysis [8.489318619991534]
  深層学習は、精神疾患や個人の特徴に関連する静止状態機能型磁気共鳴イメージング(rsfMRI)のパターンを明らかにするのに役立つ。 しかし、深層学習の発見を解釈する問題は、fMRIによる分析よりも明らかではない。 スパーシフィケーションと自己超越に基づくこれらの課題を緩和するための簡単なアプローチを提案する。
  論文  参考訳（メタデータ） (2024-09-24T18:35:57Z)
• GroupEnc: encoder with group loss for global structure preservation [1.8523441396284195]
  我々は、深層学習モデルを作成するために、地域レベルとグローバルレベルの両方で構造保存の概念を使用します。 我々のモデルはGroupEncと呼ばれ、VAEよりもグローバルな構造歪みが少ない埋め込みを生成するために 'group loss' 関数を使用します。 生物学的単細胞転写データセットを用いて,本手法の有効性を検証した。
  論文  参考訳（メタデータ） (2023-09-06T11:22:21Z)
• Outlier-Robust Group Inference via Gradient Space Clustering [50.87474101594732]
  既存のメソッドは、最悪のグループのパフォーマンスを改善することができるが、それらは、しばしば高価で入手できないグループアノテーションを必要とする。 モデルパラメータの勾配の空間にデータをクラスタリングすることで,アウトレーヤの存在下でグループアノテーションを学習する問題に対処する。 そこで我々は,DBSCANのような標準クラスタリング手法に適合するように,マイノリティグループや外れ値に関する情報を保存しながら,勾配空間内のデータがより単純な構造を持つことを示す。
  論文  参考訳（メタデータ） (2022-10-13T06:04:43Z)
• Take One Gram of Neural Features, Get Enhanced Group Robustness [23.541213868620837]
  経験的リスク最小化で訓練された機械学習モデルの予測性能は、分散シフト下で大幅に低下する可能性がある。 本稿では,識別モデルの抽出した特徴の文法行列に基づいて,トレーニングデータセットをグループに分割する。 このアプローチは、ERMに対するグループロバスト性を向上するだけでなく、最近のすべてのベースラインを上回ります。
  論文  参考訳（メタデータ） (2022-08-26T12:34:55Z)
• The Group Loss++: A deeper look into group loss for deep metric learning [65.19665861268574]
  グループ損失 (Group Loss) は、グループの全サンプルに埋め込まれた類似性を強制する微分可能なラベルプロパゲーション法に基づく損失関数である。 4つのデータセットでクラスタリングと画像検索の最先端結果を示し、2人の再識別データセットで競合結果を示す。
  論文  参考訳（メタデータ） (2022-04-04T14:09:58Z)
• Towards Group Robustness in the presence of Partial Group Labels [61.33713547766866]
  入力サンプルとターゲットラベルの間に 急激な相関関係がある ニューラルネットワークの予測を誤った方向に導く 本稿では,制約セットから最悪のグループ割り当てを最適化するアルゴリズムを提案する。 グループ間で総合的な集計精度を維持しつつ,少数集団のパフォーマンス向上を示す。
  論文  参考訳（メタデータ） (2022-01-10T22:04:48Z)
• Examining and Combating Spurious Features under Distribution Shift [94.31956965507085]
  我々は、最小限の統計量という情報理論の概念を用いて、ロバストで刺激的な表現を定義し、分析する。 入力分布のバイアスしか持たない場合でも、モデルはトレーニングデータから急激な特徴を拾い上げることができることを証明しています。 分析から着想を得た結果,グループDROは,グループ同士の相関関係を直接考慮しない場合に失敗する可能性が示唆された。
  論文  参考訳（メタデータ） (2021-06-14T05:39:09Z)
• Towards Robust Partially Supervised Multi-Structure Medical Image Segmentation on Small-Scale Data [123.03252888189546]
  データ不足下における部分教師付き学習(PSL)における方法論的ギャップを埋めるために,不確実性下でのビシナルラベル(VLUU)を提案する。 マルチタスク学習とヴィジナルリスク最小化によって動機づけられたVLUUは、ビジナルラベルを生成することによって、部分的に教師付き問題を完全な教師付き問題に変換する。 本研究は,ラベル効率の高い深層学習における新たな研究の方向性を示唆するものである。
  論文  参考訳（メタデータ） (2020-11-28T16:31:00Z)

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。