論文の概要: Calibrated Hybrid CNN-Transformer for Retinal OCT Classification

• arxiv url: http://arxiv.org/abs/2607.09809v1
• Date: Thu, 09 Jul 2026 23:23:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-14 15:40:48.203183
• Title: Calibrated Hybrid CNN-Transformer for Retinal OCT Classification
• Title（参考訳）: 網膜OCT分類のための校正ハイブリッドCNN変換器
• Abstract要約: 網膜光コヒーレンストモグラフィー(OCT)分類の深部モデルでは高い精度が報告されるが、信頼性が信頼できるかどうかを報告することは稀である。 我々は、ハイブリッド畳み込みトランスフォーマーエンコーダと、グラディショナルブートスティング(XGBoost)分類ヘッドと、信頼性キャリブレーション、アウト・オブ・ディストリビューション(OOD)拒絶、予測当たりの不確実性フラグングの3段階の臨床安全層をペアリングした。 4級OCT(84,495スキャン)では、キャリブレーション誤差を12倍に削減しながら95.4%の精度に達する(ECE = 0.0024)。
• 参考スコア（独自算出の注目度）: 1.0817607291351121
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep models for retinal optical coherence tomography (OCT) classification report high accuracy but rarely report whether their confidence can be trusted -- a gap that matters when a wrong-but-confident reading delays sight-saving treatment. We pair a hybrid convolutional-Transformer encoder with a gradient-boosting (XGBoost) classification head and a three-part clinical safety layer: confidence calibration, out-of-distribution (OOD) rejection, and per-prediction uncertainty flagging. On four-class OCT (84,495 scans) the model reaches 95.4% accuracy while cutting calibration error twelve-fold (expected calibration error, ECE = 0.0024), so the confidence it reports tracks its true accuracy. To our knowledge this is the first OCT classifier to validate all three safety mechanisms jointly, with public weights and reproducible multi-seed evaluation.
• Abstract（参考訳）: 網膜光コヒーレンストモグラフィー(OCT)分類の深部モデルでは、精度が高いが、信頼できるかどうかを報告することは稀である。 我々は、ハイブリッド畳み込みトランスフォーマーエンコーダと、グラディショナルブートスティング(XGBoost)分類ヘッドと、信頼性キャリブレーション、アウト・オブ・ディストリビューション(OOD)拒絶、予測当たりの不確実性フラグングの3段階の臨床安全層をペアリングした。 4級OCT(84,495スキャン)では、キャリブレーション誤差を12倍に削減しながら95.4%の精度に達する(ECE = 0.0024)。 我々の知る限り、これは3つの安全機構全てを共同で検証する最初のOCT分類器であり、公的な重み付けと再現可能な多種評価である。

関連論文リスト

• Expectation Consistency Loss: Rethink Confidence Calibration under Covariate Shift [7.333172294727063]
  一般的な信頼性校正法は、トレーニングとテストデータは独立で、同一に分散されていると仮定する。 本稿では、対象領域の信頼性を校正するために、教師なし領域適応損失を提案する。 予測誤差 (ECE) と同一のサンプル量を持つECL損失を計算し, ECL損失に対する理論的根拠付きミニバッチトレーニング可能なスキームを提供する。
  論文  参考訳（メタデータ） (2026-05-20T11:45:39Z)
• Discovery of Hidden Miscalibration Regimes [52.452902154360565]
  モデルは何らかの入力を体系的に過信し、他人を過信することがある。 対応する誤校正分野を定義し,それを推定するための診断フレームワークを提案する。 提案手法は,入力空間のキャリブレーションを意識した表現を学習し,学習幾何学におけるカーネルの平滑化による符号付き局所的誤校正を推定する。
  論文  参考訳（メタデータ） (2026-05-13T13:07:50Z)
• Towards Accurate and Calibrated Classification: Regularizing Cross-Entropy From A Generative Perspective [11.480485886662327]
  生成的クロスエントロピー (Generative Cross-Entropy, GCE) は、クラスレベルの信頼正規化器で強化されたクロスエントロピーと等価である。 GCEは精度を犠牲にすることなく、フォーカスロスの変種と競合するキャリブレーションを実現する。
  論文  参考訳（メタデータ） (2026-04-08T05:11:00Z)
• EMBC Special Issue: Calibrated Uncertainty for Trustworthy Clinical Gait Analysis Using Probabilistic Multiview Markerless Motion Capture [1.260797434681533]
  ビデオに基づく人間の運動分析は、臨床および研究における運動評価の可能性を秘めている。 本研究では,確率論的多視点マーカーレスモーションキャプチャ法の校正と信頼性を評価する。 確率モデル再構成は不確実性を定量化し、同時に接地構造を計測することなく信頼できない出力を特定できる。
  論文  参考訳（メタデータ） (2026-01-29T23:50:19Z)
• Model Calibration in Dense Classification with Adaptive Label Perturbation [44.62722402349157]
  既存の密接な二分分類モデルは、過信される傾向がある。 本稿では,各トレーニング画像に対する独自のラベル摂動レベルを学習する適応ラベル摂動(ASLP)を提案する。 ASLPは、分布内および分布外の両方のデータに基づいて、密度の高い二分分類モデルの校正度を著しく改善することができる。
  論文  参考訳（メタデータ） (2023-07-25T14:40:11Z)
• 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)
• Beyond calibration: estimating the grouping loss of modern neural networks [68.8204255655161]
  適切なスコアリングルール理論は、キャリブレーション損失が与えられた場合、個々のエラーを特徴づける欠片がグループ化損失であることを示している。 視覚およびNLPにおける現代のニューラルネットワークアーキテクチャは、特に分散シフト設定においてグループ化損失を示す。
  論文  参考訳（メタデータ） (2022-10-28T07:04:20Z)
• (Certified!!) Adversarial Robustness for Free! [116.6052628829344]
  逆方向の摂動が0.5の2ノルム以内であることに制約された場合,ImageNetでは71%の精度が証明された。 これらの結果は,モデルパラメータの微調整や再学習を必要とせず,事前学習した拡散モデルと画像分類器のみを用いて得られる。
  論文  参考訳（メタデータ） (2022-06-21T17:27:27Z)

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。