論文の概要: How Far from Clinical Deployment? Evaluating the Complete Unsupervised Domain Adaptation Pipeline in Medical Imaging

• arxiv url: http://arxiv.org/abs/2608.12035v1
• Date: Wed, 12 Aug 2026 13:19:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-13 19:07:54.589931
• Title: How Far from Clinical Deployment? Evaluating the Complete Unsupervised Domain Adaptation Pipeline in Medical Imaging
• Title（参考訳）: 臨床展開からどのくらい遠いか : 医用画像における完全教師なし領域適応パイプラインの評価
• Abstract要約: 臨床実践における教師なしドメイン適応(UDA)は、どのアルゴリズムを使うか、どの訓練されたモデルを出荷するかを選択する必要がある。 適応とラベルなしの選択の両方を考慮して、完全なUDAパイプラインを評価することで、この問題に対処する。 本研究は、9つの医用画像データセットから、11の臨床的に関連のあるクロスドメインシナリオをカバーし、10のUDAアルゴリズムと13のラベルなし選択方法(バリケータ)を用いて、合計80,000以上のトレーニングモデルを評価した。
• 参考スコア（独自算出の注目度）: 0.4893345190925178
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deploying unsupervised domain adaptation (UDA) in clinical practice requires choosing which algorithm to use and which of its trained models to ship. However, the deployment (target) domain is unlabeled, so models cannot be evaluated directly on it, leaving it unclear which to select. We address this by evaluating the complete UDA pipeline, considering both adaptation and label-free selection together. Our study covers eleven clinically relevant cross-domain scenarios from nine medical imaging datasets, with ten UDA algorithms and 13 label-free selection methods (validators), evaluating over 80,000 trained models in total. By this, we find that a capable adapted model usually exists, but identifying it without target labels is difficult: the validator-selected models leave a large and structural target performance gap to the best available one, with no evaluated validator consistently reliable. Towards closing it, we explore two strategies, ensembling and a small target-labeling budget; both narrow this gap but do not close it entirely. Overall, deployable UDA depends on the complete pipeline; addressing the less explored selection step could bring much of current UDA closer to clinical use.
• Abstract（参考訳）: 臨床実践において、教師なしドメイン適応(UDA)をデプロイするには、どのアルゴリズムを使うか、どのトレーニングされたモデルを出荷するかを選択する必要がある。 しかし、デプロイメント(ターゲット)ドメインはラベル付けされていないため、モデルを直接評価することはできない。 適応とラベルなしの選択の両方を考慮して、完全なUDAパイプラインを評価することで、この問題に対処する。 本研究は,UDAアルゴリズム10件とラベルなし選択法13件(バリケータ)を用いて,9つの医用画像データセットから,臨床的に関連のある11のクロスドメインシナリオについて検討した。 これにより、有能な適応モデルは通常存在するが、対象ラベルなしで識別することは困難である。 閉鎖に向けて、我々はアンサンブルと小さな目標ラベルの予算という2つの戦略を探求する。 全体として、デプロイ可能なUDAは完全なパイプラインに依存している。探索の少ない選択ステップに対処することで、現在のUDAの大部分を臨床使用に近づける可能性がある。

関連論文リスト

• Label-Free Foundational Model Selection for Medical Image Classification under Distribution Shift via Pseudo Label Discrepancy [3.0016442487726884]
  そこで本稿では,SUDOをベースとしたラベルなし選択基準を提案する。 AURCCは胸部X線分類における様々な視覚言語モデルのランク付けに利用できることを示す。
  論文  参考訳（メタデータ） (2026-08-26T13:56:29Z)
• Towards Practical Algorithm Selection for Unsupervised Domain Adaptation in Medical Imaging [0.4893345190925178]
  非教師なしドメイン適応(UDA)アルゴリ(algori-thms)は存在するが、臨床実践においては、最も適したものを選択することは不明確である。 UDAのアルゴリズムとハイパーパラメータを共同で選択するラベルフリーな基準を提案する。 提案手法は,UDAの臨床展開のための実用的,ラベルなしなアルゴリズム選択に向けて一歩前進する。
  論文  参考訳（メタデータ） (2026-07-30T12:34:07Z)
• Towards Accurate Model Selection in Deep Unsupervised Domain Adaptation [86.19492706156304]
  深層非教師付きドメイン適応(Deep UDA)メソッドは、ソースドメイン内のリッチなラベル付きデータを利用して、ターゲットドメイン内の関連するがラベルなしデータのパフォーマンスを高める。 Deep UDAの既存のモデル選択方法は、非常に偏りがあり、制限され、不安定で、あるいは議論の余地さえある(ラベル付きターゲットデータを要求する)。 適応された特徴表現を検証手順に組み込んだtextitDeep Embedded Validation (textbfDEV) を提案する。
  論文  参考訳（メタデータ） (2026-06-03T09:45:01Z)
• SKADA-Bench: Benchmarking Unsupervised Domain Adaptation Methods with Realistic Validation On Diverse Modalities [50.6382396309597]
  Unsupervised Domain Adaptation (DA) は、ラベル付きソースドメインでトレーニングされたモデルを適用して、ラベルなしのターゲットドメインでデータ分散シフトをうまく実行する。 本稿では,再重み付け,マッピング,部分空間アライメントなど,既存の浅層アルゴリズムの完全かつ公平な評価を行う。 本ベンチマークでは,現実的な検証の重要性を強調し,現実的なアプリケーションに対する実践的なガイダンスを提供する。
  論文  参考訳（メタデータ） (2024-07-16T12:52:29Z)
• An Uncertainty-guided Tiered Self-training Framework for Active Source-free Domain Adaptation in Prostate Segmentation [10.061310311839856]
  Source-free Domain Adaptation (SFDA)は、プライバシとセキュリティ上の問題に対処するために、深いセグメンテーションモデルを適用するための有望なテクニックである。 安定したドメイン適応を実現するための新しい不確実性誘導型自己学習(UGTST)フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-07-03T08:13:16Z)
• Dual-Reference Source-Free Active Domain Adaptation for Nasopharyngeal Carcinoma Tumor Segmentation across Multiple Hospitals [9.845637899896365]
  鼻咽頭癌(Nasopharyngeal carcinoma, NPC)は頭頸部の悪性腫瘍である。 本稿では,Gross tumor Volume (GTV)セグメンテーションタスクの領域適応を容易にするために,新しい Sourece-Free Active Domain Adaptation (SFADA) フレームワークを提案する。 5つの病院から1057人のNPC患者からなる大規模臨床データセットを収集し,そのアプローチを検証した。
  論文  参考訳（メタデータ） (2023-09-23T15:26:27Z)
• Source-Free Domain Adaptation for Medical Image Segmentation via Prototype-Anchored Feature Alignment and Contrastive Learning [57.43322536718131]
  医用画像セグメンテーションのための2段階のソースフリードメイン適応(SFDA)フレームワークを提案する。 プロトタイプアンコールされた特徴アライメントの段階では,まず,事前学習した画素ワイド分類器の重みを原プロトタイプとして利用する。 そこで,本研究では,目標となる特徴とクラスプロトタイプとの整合性を期待するコストを最小化し,双方向輸送を導入する。
  論文  参考訳（メタデータ） (2023-07-19T06:07:12Z)
• Can We Evaluate Domain Adaptation Models Without Target-Domain Labels? [36.05871459064825]
  教師なしドメイン適応(Unsupervised domain adapt, UDA)は、ラベル豊富なソースドメインでトレーニングされたモデルをラベルなしのターゲットドメインに適応させる。 現実のシナリオでは、ターゲットドメインラベルがないため、UDAモデルの性能を評価するのは難しい。 これらの問題に対処するため,textitTransfer Scoreと呼ばれる新しいメトリクスを提案する。
  論文  参考訳（メタデータ） (2023-05-30T03:36:40Z)
• Target and Task specific Source-Free Domain Adaptive Image Segmentation [73.78898054277538]
  ソースフリー領域適応画像分割のための2段階のアプローチを提案する。 我々は,高エントロピー領域を抑えつつ,ターゲット固有の擬似ラベルを生成することに注力する。 第2段階では、タスク固有の表現にネットワークを適用することに重点を置いている。
  論文  参考訳（メタデータ） (2022-03-29T17:50:22Z)
• Tune it the Right Way: Unsupervised Validation of Domain Adaptation via Soft Neighborhood Density [125.64297244986552]
  本稿では,点間の類似度分布のエントロピーを計算し,ソフト近傍の密度を測定する教師なし検証基準を提案する。 私たちの基準は、競合する検証方法よりもシンプルですが、より効果的です。
  論文  参考訳（メタデータ） (2021-08-24T17:41:45Z)
• Self-Trained One-class Classification for Unsupervised Anomaly Detection [56.35424872736276]
  異常検出(AD)は、製造から医療まで、さまざまな分野に応用されている。 本研究は、トレーニングデータ全体がラベル付けされておらず、正規サンプルと異常サンプルの両方を含む可能性のある、教師なしAD問題に焦点を当てる。 この問題に対処するため,データリファインメントによる堅牢な一級分類フレームワークを構築した。 本手法は6.3AUCと12.5AUCの平均精度で最先端の1クラス分類法より優れていることを示す。
  論文  参考訳（メタデータ） (2021-06-11T01:36:08Z)

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。