論文の概要: Calibrated Selective Prediction Using Deep Ensembles for ROI-Based Thyroid Nodule Ultrasound Classification Under Dataset Shift: A Retrospective Evaluation

• arxiv url: http://arxiv.org/abs/2607.12075v1
• Date: Mon, 13 Jul 2026 18:50:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-15 17:08:29.935875
• Title: Calibrated Selective Prediction Using Deep Ensembles for ROI-Based Thyroid Nodule Ultrasound Classification Under Dataset Shift: A Retrospective Evaluation
• Title（参考訳）: ROIに基づく甲状腺結節超音波のデータセットシフトによる分類のためのディープアンサンブルを用いた校正選択予測:再検討
• Abstract要約: 甲状腺結節分類と選択的画像ベーストリアージのための決定論的5員深層アンサンブルを開発した。 折りたたみ式のTN5000予測では、AUC-ROC 0.9395、AP 0.9715、ECE 0.0088、ブライアスコア 0.0813 を達成した。 この枠組みは強い内部識別と校正性を示したが、外部しきい値の輸送性は限られていた。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Background: Deep learning models can classify thyroid nodules on ultrasound, but reliable clinical decision support also requires calibrated probabilities, uncertainty estimation, and selective referral, particularly under dataset shift. Methods: We developed a calibrated deterministic five-member deep ensemble for ROI-based thyroid nodule classification and selective image-based triage. TN5000 was used for model development, five-fold cross-validation, member-wise vector-scaling calibration, and fold-specific threshold selection. TN3K served as an independent external dataset-shift evaluation. The framework used ConvNeXt-Tiny with squeeze-and-excitation attention, ensemble-mean malignancy probability, and mutual information (MI) as an ensemble-disagreement score. A three-tier policy assigned images to No-FNA suggestion, FNA recommendation, or radiologist review. Results: On pooled out-of-fold TN5000 predictions, the ensemble achieved AUC-ROC 0.9395, AP 0.9715, ECE 0.0088, and Brier score 0.0813. At 50% nominal MI retention, 7.2% of cases received a No-FNA suggestion, 39.9% an FNA recommendation, and 52.9% radiologist review, with 98.3% No-FNA NPV and 99.83% malignancy capture. On TN3K, AUC-ROC decreased to 0.7870, AP to 0.7254, ECE increased to 0.1899, and Brier score to 0.2281. The frozen TN5000 policy assigned 83.7% to review, 1.0% to No-FNA, and 15.3% to FNA recommendation. No malignant image entered the No-FNA pathway, but FNA-recommendation PPV fell to 76.6%. Conclusion: The framework showed strong internal discrimination and calibration, but limited external threshold transportability. Selective prediction may help identify images unsuitable for automated triage, but local recalibration, threshold validation, and prospective clinical evaluation are required before deployment.
• Abstract（参考訳）: 背景: 深層学習モデルは超音波で甲状腺結節を分類できるが、信頼性の高い臨床診断支援には、特にデータセットシフトにおいて、校正された確率、不確実性推定、選択的な参照が必要である。 方法: ROIに基づく甲状腺結節分類と選択的画像ベーストリアージのための, 決定性5員深層アンサンブルを校正した。 TN5000はモデル開発、5倍のクロスバリデーション、メンバーワイドベクトルスケーリングキャリブレーション、折りたたみ専用しきい値選択に使用された。 TN3Kは独立した外部データセットシフト評価として機能した。 このフレームワークはConvNeXt-Tinyを用いて、シャープ・アンド・エミッション・アテンション、アンサンブル・平均悪性度確率、および相互情報(MI)をアンサンブル・ディスアグレメントスコアとして使用した。 3段階のポリシーでは、画像はNo-FNA提案、FNA勧告、または放射線学者のレビューに割り当てられた。 結果: AUC-ROC 0.9395, AP 0.9715, ECE 0.0088, Brier score 0.0813。 名目MI保持率50%で、7.2%の患者がNo-FNA提案を受け、39.9%がFNA勧告、52.9%が放射線技師のレビューを受け、98.3%がNo-FNA NPV、99.83%が悪性捕獲を受けた。 TN3Kでは、AUC-ROCは0.7870、APは0.7254、ECEは0.1899、ブライアは0.2281となった。 凍結されたTN5000政策では83.7%がレビューに、1.0%がNo-FNAに、15.3%がFNA勧告に割り当てられた。 No-FNA経路には悪性の像は見られなかったが、FNA-recommendation PPVは76.6%に低下した。 結論: 枠組みは強い内部識別と校正性を示したが, 外部しきい値の輸送性は限定的であった。 選択予測は、自動トリアージに適さない画像を特定するのに役立つが、局所的な再校正、しきい値の検証、および将来的な臨床評価が必要である。

関連論文リスト

• Cross-dataset transportability of pediatric chest X-ray deep learning across three countries: discrimination, calibration, operating-point failure, and limited-label recovery [0.0]
  小児肺炎分類において, 識別, 確率校正, 固定操作点輸送, 限定ラベル回復性を別々に検証する計算プロトコルについて検討した。 国間でのデータセット間のシフトは、ランク付け、確率アライメント、ソース定義決定行動に異なる影響を及ぼした。
  論文  参考訳（メタデータ） (2026-09-04T13:39:48Z)
• A Leakage-Aware Comparative Benchmark of Machine Learning, Deep Learning, and Transformer Models for Reliable Leukemia Detection [0.0]
  末梢血スミア画像からの急性リンパ性白血病(ALL)の自動分類は、C-NMC 2019データセットでほぼ完璧なパフォーマンスを報告されている。 画像レベルのランダムなパーティショニングによる患者レベルのデータ漏洩によって,そのような結果を膨らませることができることを示す。 我々は厳密な主観的解離プロトコルの下で漏洩認識ベンチマークを構築した。
  論文  参考訳（メタデータ） (2026-06-23T04:53:49Z)
• TriALS: Triphasic-Aided Liver Lesion Segmentation Benchmark in Non-Contrast CT [49.93685997940356]
  コントラスト制限条件下での肝病変の自動分節に対するTriALSの課題について述べる。 最高性能は平均静脈圧0.754で, NCCTでは0.57に低下した。 アルゴリズムの性能は、トレーニングデータスケールと事前学習戦略によって最も強く予測された。
  論文  参考訳（メタデータ） (2026-05-15T19:23:35Z)
• Opportunistic Bone-Loss Screening from Routine Knee Radiographs Using a Multi-Task Deep Learning Framework with Sensitivity-Constrained Threshold Optimization [9.995968038491128]
  変形性骨折を発症するまで、骨粗しょう症や骨減少症は診断されないことが多い。 変形性膝関節症評価のために, 膝X線撮影を行った。 単一チャネルグレースケール膝X線撮影のためのマルチタスクフレームワークSTR-Netを開発した。
  論文  参考訳（メタデータ） (2026-04-22T07:12:04Z)
• A Novel Attention-Augmented Wavelet YOLO System for Real-time Brain Vessel Segmentation on Transcranial Color-coded Doppler [49.03919553747297]
  我々は,脳動脈を効率よく捉えることができるAIを利用したリアルタイムCoW自動分割システムを提案する。 Transcranial Color-coded Doppler (TCCD) を用いたAIによる脳血管セグメンテーションの事前研究は行われていない。 提案したAAW-YOLOは, 異方性および対側性CoW容器のセグメンテーションにおいて高い性能を示した。
  論文  参考訳（メタデータ） (2025-08-19T14:41:22Z)
• ThyroidEffi 1.0: A Cost-Effective System for High-Performance Multi-Class Thyroid Carcinoma Classification [0.0]
  甲状腺FNAB画像分類のための深層学習システムを開発した。 Benign, Indeterminate/Suspicious, and Malignantの3つの主要なカテゴリは、生後治療を直接指導するものだ。 システムは1000ケースを30秒で処理し、広くアクセス可能なハードウェアの実現可能性を示した。
  論文  参考訳（メタデータ） (2025-04-19T02:13:07Z)
• Attention-based Saliency Maps Improve Interpretability of Pneumothorax Classification [52.77024349608834]
  視覚変換器(ViT)の胸部X線撮影(CXR)分類性能と注意ベース唾液の解釈可能性について検討する。 ViTは、CheXpert、Chest X-Ray 14、MIMIC CXR、VinBigDataの4つの公開データセットを用いて、肺疾患分類のために微調整された。 ViTsは最先端のCNNと比べてCXR分類AUCに匹敵するものであった。
  論文  参考訳（メタデータ） (2023-03-03T12:05:41Z)
• Performance of a deep learning system for detection of referable diabetic retinopathy in real clinical settings [0.0]
  RetCAD v.1.3.1は糖尿病網膜症(DR)を自動的に検出するために開発された。 この人工知能ベースの技術を活用して、リリース可能なワークロードの削減を分析する。
  論文  参考訳（メタデータ） (2022-05-11T14:59:10Z)
• Osteoporosis Prescreening using Panoramic Radiographs through a Deep Convolutional Neural Network with Attention Mechanism [65.70943212672023]
  注意モジュールを持つディープ畳み込みニューラルネットワーク(CNN)はパノラマX線写真上で骨粗しょう症を検出することができる。 49歳から60歳までの70種類のパノラマX線写真(PR)のデータセットを用いて検討した。
  論文  参考訳（メタデータ） (2021-10-19T00:03:57Z)
• Controlling False Positive/Negative Rates for Deep-Learning-Based Prostate Cancer Detection on Multiparametric MR images [58.85481248101611]
  そこで本研究では,病変からスライスまでのマッピング機能に基づく,病変レベルのコスト感受性損失と付加的なスライスレベルの損失を組み込んだ新しいPCa検出ネットワークを提案する。 1) 病変レベルFNRを0.19から0.10に, 病変レベルFPRを1.03から0.66に減らした。
  論文  参考訳（メタデータ） (2021-06-04T09:51:27Z)
• Machine-Learning-Based Multiple Abnormality Prediction with Large-Scale Chest Computed Tomography Volumes [64.21642241351857]
  19,993症例から36,316巻の胸部CTデータセットを収集,解析した。 自由テキストラジオグラフィーレポートから異常ラベルを自動的に抽出するルールベース手法を開発した。 胸部CTボリュームの多臓器・多臓器分類モデルも開発した。
  論文  参考訳（メタデータ） (2020-02-12T00:59:23Z)

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。