論文の概要: Monte Carlo Dropout Uncertainty and Entropy-Thresholded Selective Prediction for Architecture-Agnostic Brain Tumor MRI Triage

• arxiv url: http://arxiv.org/abs/2607.16317v1
• Date: Wed, 15 Jul 2026 06:21:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-21 18:48:37.10897
• Title: Monte Carlo Dropout Uncertainty and Entropy-Thresholded Selective Prediction for Architecture-Agnostic Brain Tumor MRI Triage
• Title（参考訳）: 構造非依存型脳腫瘍MRIトリアージにおけるモンテカルロ脱落不確かさとエントロピー閾値の選択的予測
• Abstract要約: 本研究は4クラス脳腫瘍MRIのための不確実性第一パイプラインを提案する。 モンテカルロ (MC) による T = 20 パス上のドロップアウトからの予測の不確実性を読み出し、その結果のエントロピーを、不確実なケースを放射線学者に延期する明示的な規則に変換する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep networks now subtype brain tumors on MRI about as well as specialist readers, yet accuracy is not what keeps them out of the clinic. What matters at the point of care is whether a model's confidence can be trusted to flag the cases it is likely to misclassify and defer them to a human. Deterministic estimates cannot: an auxiliary confidence head trained alongside the classifier collapses to a near-constant output that says nothing about correctness. This study proposes an uncertainty-first pipeline for four-class brain tumor MRI (glioma, meningioma, pituitary, no tumor) that reads predictive uncertainty from Monte Carlo (MC) Dropout over T = 20 passes and turns the resulting entropy into an explicit rule for deferring uncertain cases to a radiologist. We partitioned 7,200 images by perceptual-hash cluster, closing the near-duplicate leakage that inflates accuracy under naive splitting, and evaluated the pipeline on ViT-B/16 and ResNet-50 across five seeds along three axes: discrimination, calibration, and selective prediction. Both discriminate strongly (macro-AUC 0.994; accuracy 0.962 and 0.964), and no seed separates them (0 of 5 significant, p < 0.05), so the result is driven by the uncertainty pipeline, not the network. A single temperature scalar pulls the deterministic softmax into tight calibration (expected calibration error 0.016-0.020), and deferring the most uncertain 5% of cases lifts accuracy on the rest to about 0.98 on both (area under the risk-coverage curve 0.010-0.011). MC-Dropout uncertainty here is thus calibrated, non-collapsing, and directly actionable through a concrete deferral rule, providing an architecture-agnostic basis for calibrated, defer-to-human brain tumor MRI triage under internal validation.
• Abstract（参考訳）: ディープ・ネットワークはMRIの脳腫瘍や専門読者をサブタイプしている。 注意すべき点は、モデルの信頼度を信頼して、そのモデルが誤って分類され、人間に委譲される可能性のあるケースを通知できるかどうかである。 決定論的推定はできない: 分類器と共に訓練された補助的信頼ヘッドは、正確性について何も述べていないほぼ一定に近い出力に崩壊する。 本研究は4種類の脳腫瘍MRI(グリオーマ,髄膜腫,下垂体腫瘍,腫瘍なし)に対する不確実性第一パイプラインを提案する。 我々は,知覚ハッシュクラスタによって7,200枚の画像を分割し,平均分割下で精度を向上する近接二重リークを閉鎖し,VT-B/16とResNet-50のパイプラインを3つの軸に沿った5つの種子(識別,校正,選択予測)で評価した。 どちらも強く識別する(macro-AUC 0.994; 精度0.962と0.964)し、種子は分離しない(0は5つの有意、p < 0.05)ので、結果はネットワークではなく不確実性パイプラインによって駆動される。 単温度スカラーは決定論的ソフトマックスを厳密なキャリブレーション(推定キャリブレーション誤差0.016〜0.020)に引きずり込み、最も不確実な5%のケースは、残りのケースの精度を2つ(リスク被覆曲線0.010〜0.011の範囲)約0.98に引き上げる。 ここでのMC-Dropoutの不確実性は、内部の検証の下で、調整されたヒトからヒトまでの脳腫瘍MRIトリアージのアーキテクチャに依存しない基盤を提供する、具体的なdeferralルールによって調整され、分解されず、直接作用することができる。

関連論文リスト

• Bayesian uncertainty estimation improves clinical decision making in medical AI agents [3.251669068529209]
  モンテカルロのドロップアウトは、トレーニングセットのスケールをまたいだ一般化を追跡できる不確実な信号であり、信頼できながらエラーを起こしやすい予測を示す。 コントロールされた2x2因子分析実験において、臨床判定支援剤は、生のスコアではなくバイナリエラーリスクフラグとして配信された場合にのみ、この不確実性を利用した。
  論文  参考訳（メタデータ） (2026-07-22T11:54:23Z)
• Trustworthy Medical Segmentation: Uncertainty-Aware U-Net Evaluation Under Clinical Image Degradation [0.0]
  臨床劣化下での不確実性認識セグメンテーションを評価するための枠組みを提案する。 セグメンテーションの精度、校正、故障検出、選択的予測カバレッジを測定する。 これらの結果は, 医師・医師・医科医の安全層としての不確実性を考慮した推論を論じるものである。
  論文  参考訳（メタデータ） (2026-07-22T06:35:33Z)
• EnTrust: Modeling Inter-Modal Conflict for Trustworthy Multimodal Medical Image Analysis [41.67522319355107]
  EnTrustは、モーダル間紛争を予測の不確実性の主要な原因として扱うフレームワークである。 最強のベースラインに比べてキャリブレーション誤差を40%削減しつつ、最先端のセグメンテーション精度を実現する。
  論文  参考訳（メタデータ） (2026-06-19T12:43:50Z)
• Confidence is Not Reliability: Rethinking MC Dropout in Brain Tumour Segmentation [2.104759809264928]
  治療クリティカルなサブリージョンで静かに失敗するセグメンテーションモデルは、患者の安全リスクを表す。 モンテカルロ(MC)Dropoutによるボクセルレベルの不確実性評価は,セグメンテーション誤差を確実に識別できるかどうかを問う。 我々は、高性能プレトレーニング済みSegResNetと、残留ユニットを持つローカルトレーニングされたUNetを評価する。
  論文  参考訳（メタデータ） (2026-06-17T17:24:41Z)
• Calibration, Uncertainty Communication, and Deployment Readiness in CKD Risk Prediction: A Framework Evaluation Study [0.0]
  慢性腎臓病の機械学習モデルは、しばしば内部テストセットに強い差別的スコアを与える。 UCI CKDデータセット(400例,62.5%)を用いた5つの分類器の訓練を行った。 キャリブレーション品質,コンフォーマルな予測カバレッジ,8基準の展開準備フレームワークについて検討した。
  論文  参考訳（メタデータ） (2026-05-20T17:12:48Z)
• Predictive Entropy Links Calibration and Paraphrase Sensitivity in Medical Vision-Language Models [2.064612766965483]
  我々は,MedGemma 4BITの分布MIMIC CXRと外分布PadChest chest X ray データセットの5つの不確実性定量化手法を示し,LLaVA RAD7Bのクロスアーキテクチャ検証を行った。 うまく校正された単一モデル法では、一方のフォワードパスからの予測エントロピーは、メドジェマのAUROC 0.711、LLaVARAD p 10 4の0.878、信頼できないと敏感な予測の両方を1つのエントロピーしきい値でフラグ付けることができる。
  論文  参考訳（メタデータ） (2026-04-10T04:18:47Z)
• Enhancing Neuro-Oncology Through Self-Assessing Deep Learning Models for Brain Tumor Unified Model for MRI Segmentation [1.3909388235627789]
  深層学習はベンチマークで進歩しているが、2つの問題は臨床的使用を制限する。 本研究は, ボクセルワイド不確実性に対するチャネルを持つnnUNetを増大させる不確実性を考慮したフレームワークを提案する。 脳全体のコンテキストでは、統一されたモデルが正常なデータセットとがんのデータセットを組み合わせて、脳構造のためのDSCが0.81、腫瘍のための0.86、堅牢なキー領域のパフォーマンスを達成している。
  論文  参考訳（メタデータ） (2025-11-16T22:13:45Z)
• An Empirical Study on MC Dropout--Based Uncertainty--Error Correlation in 2D Brain Tumor Segmentation [0.0]
  本研究は2次元脳腫瘍MRIにおけるMC Dropoutに基づく不確実性とセグメンテーション誤差の関係を実験的に検討した。 MC Dropoutの不確実性は境界誤差のローカライゼーションに限定的な手段を提供することを示している。
  論文  参考訳（メタデータ） (2025-10-17T11:19:44Z)
• Unified Uncertainty Calibration [43.733911707842005]
  不確実性校正(U2C:emphunified uncertainty calibration)は、アレタリックと不確実性を組み合わせた総合的な枠組みである。 U2Cは、不確実性推定のクリーンな学習理論分析を可能にし、さまざまなImageNetベンチマークでリジェクションや分類よりも優れている。
  論文  参考訳（メタデータ） (2023-10-02T13:42:36Z)
• 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)
• Deterministic Neural Networks with Appropriate Inductive Biases Capture Epistemic and Aleatoric Uncertainty [91.01037972035635]
  変化を最小限に抑えた1つのソフトマックスニューラルネットがディープアンサンブルの不確実性予測を破ることが示される。 適切な誘導バイアスで、最大で訓練されたソフトマックスニューラルネットは、特徴空間密度を通じて確実な不確実性を確実に捉えていることを示す。
  論文  参考訳（メタデータ） (2021-02-23T09:44:09Z)
• Bayesian Uncertainty Estimation of Learned Variational MRI Reconstruction [63.202627467245584]
  我々は,モデル不連続な不確かさを定量化するベイズ変分フレームワークを提案する。 提案手法はMRIのアンダーサンプを用いた再建術の術後成績を示す。
  論文  参考訳（メタデータ） (2021-02-12T18:08:14Z)
• Localization Uncertainty Estimation for Anchor-Free Object Detection [48.931731695431374]
  アンカーベース物体検出のための既存の不確実性推定手法にはいくつかの制限がある。 アンカーフリー物体検出のためのUADと呼ばれる新しい位置推定不確実性推定手法を提案する。 本手法は,ボックスオフセットの4方向の不確かさを均一に捉え,どの方向が不確実であるかを判断する。
  論文  参考訳（メタデータ） (2020-06-28T13:49:30Z)

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。