論文の概要: Mitigating Class-Tail Undercoverage in Medical Vision-Language Models under Clinical Shift

• arxiv url: http://arxiv.org/abs/2607.28696v1
• Date: Thu, 30 Jul 2026 10:30:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-03 14:29:40.391357
• Title: Mitigating Class-Tail Undercoverage in Medical Vision-Language Models under Clinical Shift
• Title（参考訳）: 医用視力モデルにおける視力差の緩和 : 臨床変化による検討
• Abstract要約: Class-Tail Adaptive Localized Conformal Deferral (CALCoDe)は、フリーズ医療ビジョン言語モデルのための信頼性レイヤである。 クロスフィット検証予測は、アンダーカバーのリスクのあるクラスを特定する。 CALCoDeは8つの設定で0.95に到達した唯一のアプローチである。
• 参考スコア（独自算出の注目度）: 7.2201008524483585
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Medical vision-language models (VLMs) can retain high observed marginal coverage after clinical shift while substantially under-covering an individual disease class. The affected class varies with acquisition protocol and backbone geometry, so source prevalence does not reliably reveal the failure. Existing localized and tail-aware conformal methods respectively adapt to test neighborhoods and source-frequency tails, leaving held-out class-wise coverage failure unmodeled. We introduce Class-Tail Adaptive Localized Conformal Deferral (CALCoDe), a post-hoc reliability layer for frozen medical VLMs. Cross-fitted validation predictions identify classes at risk of undercoverage, and a disjoint calibration split estimates their class-conditional tail thresholds. CALCoDe combines each protected threshold with a localized conformal threshold using a one-sided maximum. The resulting set contains every label admitted by the localized rule, with additional protection confined to validation-identified classes. An independently calibrated support audit defers cases with insufficient inlier support. Under exchangeability among accepted examples within each protected class, CALCoDe provides finite-sample coverage at the prespecified guard level and contains the corresponding localized conformal sets; coverage on shifted external cohorts is evaluated empirically. Among standard conformal baselines and recent VLM-specific conformal methods evaluated across two dermatology shifts (HAM10000 to ISIC 2019 and HAM10000 to PAD-UFES-20) and four frozen VLM backbones (BiomedCLIP, OpenAI CLIP ViT-B/32, PubMedCLIP ViT-B/32, and MedSigLIP-448), CALCoDe is the only approach whose observed marginal and worst-class accepted coverage both reach 0.95 in all eight settings. On HAM10000 to ISIC 2019, its average worst-class accepted coverage is 0.970, compared with 0.926 for sTACP and 0.864 for LCP-VLM.
• Abstract（参考訳）: 医用視覚言語モデル(VLM)は、臨床シフト後、個々の疾患のクラスをかなり過小評価しながら、高い観察範囲を維持できる。 影響を受けるクラスは、取得プロトコルとバックボーンの幾何学によって異なるため、ソースの精度が確実に失敗を明らかにすることはない。 既存のローカライズドおよびテールアウェアなコンフォメーション手法は、それぞれテスト地区とソース周波数テールに適応し、クラスワイドのカバレッジ障害を未モデル化のまま残している。 冷凍医療用VLMのポストホック信頼性層であるCALCoDe(Class-Tail Adaptive Localized Conformal Deferral)を紹介する。 相互適合型検証予測は、潜入の危険性のあるクラスを識別し、不整合校正は、クラス条件の尾の閾値を推定する。 CALCoDeは、保護された各しきい値と、一方の最大値を用いて局所化された適合しきい値を組み合わせる。 結果として得られたセットには、ローカライズされたルールによって承認されたすべてのラベルが含まれており、追加の保護はバリデーションで特定されたクラスに限られている。 個別に校正されたサポート監査は、不整合性サポートが不十分なケースに対処する。 各保護クラス内で受け入れられた例間の交換性の下で、CALCoDeは予め指定されたガードレベルで有限サンプルのカバレッジを提供し、対応する局所化された共形集合を含む。 HAM10000からISIC 2019、HAM10000からPAD-UFES-20)と4つの凍結VLMバックボーン(BiomedCLIP、OpenAI CLIP ViT-B/32、PubMedCLIP ViT-B/32、MedSigLIP-448)で評価された最近のVLM特異的なコンフォメーション法のうち、CALCoDeは8つの設定でそれぞれ0.95に達している唯一のアプローチである。 HAM10000からISIC 2019では、平均最低クラスが0.970であり、sTACPは0.926、LCP-VLMは0.864である。

関連論文リスト

• Does Marginal Coverage Guarantee Class-Conditional Safety for Zero-Shot VLMs Under Shift? [0.0]
  スプリット・コンフォーマルな予測は、ゼロショット視覚言語モデルの禁忌層としてますます使われている。 私たちは、CLIP、OpenCLIP、SigLIPをImageNetおよび非ImageNet設定でデプロイシフト中のこのプラクティスを監査する。
  論文  参考訳（メタデータ） (2026-08-19T18:42:36Z)
• Testing the Test: Score-Direction Instability in Class-Split Anomaly Detection [56.362776482614976]
  データセット内のクラス分割評価は、完全に非条件のアウト・オブ・ディストリビューション異常検出のプロキシとして広く利用されている。 このプロトコルは、保持された異常クラスが表現空間の通常の混合と重なり合う場合、悪用される可能性があることを示す。 そこで本研究では,Fashion-MNIST,CIFAR-10,Imagenette間のスコア方向不安定性を予測する。
  論文  参考訳（メタデータ） (2026-05-23T06:27:42Z)
• Adaptive Conformal Prediction for Reliable and Explainable Medical Image Classification [3.466510324781552]
  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。
  論文  参考訳（メタデータ） (2026-05-13T02:45:07Z)
• From Pixels to Explanations: Interpretable Diabetic Retinopathy Grading with CNN-Transformer Ensembles, Visual Explainability and Vision-Language Models [7.782282985072339]
  本研究では,強い識別モデルとマルチモーダルな説明を組み合わせた方法論を提案する。 そこで我々はGrad-CAM++の視覚属性マップと短いテキスト論理式を作成した。 説明の質のために、Grad-CAM++は可塑性だが粗いローカライゼーションを提供し、VLMの合理性は概してグレード一貫性がある。
  論文  参考訳（メタデータ） (2026-04-25T00:21:11Z)
• ProtoCLIP: Prototype-Aligned Latent Refinement for Robust Zero-Shot Chest X-Ray Classification [3.428885759047836]
  私たちは、CLIPスタイルの視覚言語モデル(VLM)の洗練戦略であるProtoCLIPを提案する。 我々は,共起バイアスを低減するために,陰性標本をキュレートした病理学習サブセットを構築した。 また, セマンティック構造を維持しつつ適応を安定させるため, 表現保存蒸留の目的も導入した。
  論文  参考訳（メタデータ） (2026-04-20T16:01:44Z)
• Conformal Prediction for Risk-Controlled Medical Entity Extraction Across Clinical Domains [2.744879848686032]
  本稿では,医療機関抽出のための有限サンプルカバレッジ保証を提供するコンフォメーション予測フレームワークを提案する。 まず,FactScoreをベースとした原子式ステートメント評価により,GPT-4.1を用いて,FDAの医薬品ラベル1000個から構造化されたエンティティを抽出した。 第2に,GPT-4.1とLlama-4-Maverickを用いたRadGraphスキーマを用いてMIMIC-CXRレポートから放射線学的実体を抽出し,医師のアノテーションに対して評価した。
  論文  参考訳（メタデータ） (2026-03-01T05:12:25Z)
• PREBA: Surgical Duration Prediction via PCA-Weighted Retrieval-Augmented LLMs and Bayesian Averaging Aggregation [51.96735866702332]
  PreBAはPCA重み付き検索とベイズ平均アグリゲーションを統合した検索拡張フレームワークである。 例えば、PreBAはパフォーマンスを大幅に改善し、MAEを最大40%削減し、ゼロショット推論でR2を-0.13から0.62に引き上げる。
  論文  参考訳（メタデータ） (2026-02-27T07:19:23Z)
• LATA: Laplacian-Assisted Transductive Adaptation for Conformal Uncertainty in Medical VLMs [61.06744611795341]
  医用視覚言語モデル(VLM)は医用画像の強力なゼロショット認識器である。 本研究では,ラプラシアン支援トランスダクティブ・アダプティブ・アダプティブ・アダプティブ・アダプティブ・アダプティブ・アダプティブ・アダプティブ(texttttextbfLATA,ラプラシアン支援トランスダクティブ・アダプティブ・アダプティブ・アダプティブ)を提案する。 texttttextbfLATAは交換性を損なうことなくゼロショット予測をシャープにする。
  論文  参考訳（メタデータ） (2026-02-19T16:45:38Z)
• 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 Lesion Segmentation for 3D Medical Images [82.92159832699583]
  本稿では,データ駆動しきい値の校正をコンフォーマル化することで,テスト時間FNRが目標許容値以下であることを保証する,リスク制約付きフレームワークを提案する。 5つのバックボーンモデルにまたがる6つの3D-LSデータセット上でのCLSの統計的健全性と予測性能を検証し,臨床実践におけるリスク認識セグメンテーションの展開に関する実用的な知見を得た。
  論文  参考訳（メタデータ） (2025-10-19T08:21:00Z)
• Hierarchical Semi-Supervised Contrastive Learning for Contamination-Resistant Anomaly Detection [81.07346419422605]
  異常検出は、通常のデータ分布から逸脱したサンプルを特定することを目的としている。 コントラスト学習は、異常の効果的な識別を可能にする表現のサンプル化に成功している。 汚染耐性異常検出のための新しい階層型半教師付きコントラスト学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-07-24T18:49:26Z)

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。