論文の概要: TRUE-Colon: Exposing a Consistent Transfer Asymmetry in Real-Time Polyp Detection

• arxiv url: http://arxiv.org/abs/2608.13711v1
• Date: Thu, 13 Aug 2026 19:13:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-17 20:14:29.192116
• Title: TRUE-Colon: Exposing a Consistent Transfer Asymmetry in Real-Time Polyp Detection
• Title（参考訳）: TRUE-Colon:リアルタイムポリープ検出における一貫性転送非対称性の表現
• Abstract要約: 大腸内視鏡検査のためのコンピュータ支援検出システムは,臨床ミス率の低減を約束するが,実世界の信頼性は高い。 我々は,ローカライゼーションの精度とともに,主要なデプロイメント特性を測定するための標準化されたベンチマークプロトコルを確立する。 キュレートされたクリップに厳格に訓練されたモデルは、フルプロシージャで評価すると、深刻な性能低下を被る。 コンボリューション検出器は高いスループットで競争力を維持する一方、トランスフォーマー検出器は最も感度が高く、最も早く、最も永続的な検出を実現する。
• 参考スコア（独自算出の注目度）: 5.961408803838967
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Computer-aided detection (CADe) systems for colonoscopy promise to reduce clinical miss rates, yet reliable real-world deployment remains elusive. This translational gap stems in part from a structural flaw in model development: the reliance on curated datasets that under-represent the long negative stretches and procedure-related artifacts characteristic of routine examinations. Training and evaluating architectures strictly on these lesion-centric benchmarks creates an illusion of success, since such benchmarks cannot capture clinically crucial metrics. To expose this gap, we establish TRUE-Colon, a standardized benchmarking protocol that measures key deployment characteristics alongside localization accuracy, and evaluate four real-time architectures (Faster R-CNN, YOLOv8, YOLOv11, RT-DETR) across curated benchmarks (SUN, PICCOLO) and 60 unedited, full-length procedures (REAL-Colon). We observe a consistent transfer asymmetry: models trained strictly on curated clips suffer a severe performance collapse when evaluated on full procedures, whereas procedure-trained models substantially improve rejection of non-polyp content on REAL-Colon, and largely retain their accuracy on curated benchmarks. Beyond transferability, we find that the Transformer detector attains the strongest sensitivity and the earliest, most persistent detections, while the convolutional detectors stay competitive at a higher throughput. Together, these results indicate that both training and benchmarking for deployable CADe should shift from curated, lesion-centric clips toward full-procedure data and deployment-relevant operating points. Source code is available at https://github.com/sdoerrich97/true-colon.
• Abstract（参考訳）: 大腸内視鏡検査のためのCAD(Computer-Aided Detection)システムでは,臨床ミス率の低減が期待できるが,信頼性は高い。 この翻訳的ギャップは、部分的にはモデル開発における構造的欠陥に起因しており、長い負のストレッチをアンダーレ表現するキュレートデータセットと、定期的な検査に特徴的な手順関連アーティファクトに依存している。 これらの病変中心のベンチマークで厳密にアーキテクチャを訓練し評価することは成功の錯覚を生み出す。 このギャップを明らかにするため、我々は、ローカライズ精度とともに主要なデプロイメント特性を計測する標準化されたベンチマークプロトコルTRUE-Colonを確立し、キュレートされたベンチマーク(SUN, PICCOLO)と60個の未編集フル長プロシージャ(REAL-Colon)の4つのリアルタイムアーキテクチャ(Faster R-CNN, YOLOv8, YOLOv11, RT-DETR)を評価した。 一方,REAL-Colonでは,プロシージャ訓練により非ポリプコンテンツの拒否が大幅に改善し,キュレートされたベンチマークでは精度が大幅に向上した。 トランスフォーマー検出器が最も感度が高く、最も早く、最も永続的な検出を実現するのに対して、畳み込み検出器は高いスループットで競争力を維持する。 これらの結果は、デプロイ可能なCADeのトレーニングとベンチマークの両方が、キュレートされた病変中心のクリップから、フルプロデューサデータとデプロイメント関連運用ポイントにシフトすべきであることを示唆している。 ソースコードはhttps://github.com/sdoerrich97/true-colon.comで入手できる。

関連論文リスト

• Actionable Hallucination Detection: Translating Latent Uncertainty into Agentic Critique [1.1172382217477128]
  AIエージェントとしてデプロイされるLarge Language Models (LLM)は、しばしばユーザ仕様のグラウンド障害を示す。 既存の検出方法は、幻覚をローカライズしないか、禁忌の推論遅延を発生しないため、実行可能でリアルタイムな修正を提供することができない。 フリーズベースLCM世代と並行して動作する軽量低ランクアダプタ(LoRA)であるLatent Criticを導入する。
  論文  参考訳（メタデータ） (2026-08-11T03:26:16Z)
• OOD-RL-Bench: A Benchmark Framework for Out-of-Distribution Detection in Reinforcement Learning [4.173831365316023]
  OOD検出器を軌道に注入された異常のカテゴリに対して評価するためのフレームワークであるOOD-RL-Benchを提案する。 インジェクタと異常インジェクタは、共有インターフェースと設定を通じて統合される。 一致時間AUROC,一致時間AUPRC,一致時間偽陽性率,検出遅延,セグメンテッドオンセット測定値を用いて,各検出器の性能評価を行った。
  論文  参考訳（メタデータ） (2026-07-14T08:57:04Z)
• From Signals to Transfer: A Factorised Study of Probe-Based Uncertainty Estimation in Large Language Models [51.470637128942336]
  本稿では, 一致する条件下でのプローブベース不確実性推定(UE)について, 因子分析を行った。 この結果から,隠れ状態や注目特徴がドメイン内よりも優れていることが示唆された。 我々は、オープンエンドの事実生成に対して合理的に伝達するベンチマークベースの事前訓練プローブを訓練する。
  論文  参考訳（メタデータ） (2026-06-26T03:23:15Z)
• Beyond Scalar Scores: Exploring LLM-based Metrics for Clinical Significance Evaluation in Radiology Reports [49.5225801722164]
  既存のメトリクスは、医学的に根拠のないスカラーにレポートの品質を低下させることによって、この要件を曖昧にしている。 テストベッドとしてReEvalMedベンチマークを用いて,この境界について検討し,計量レベルの臨床的意義を評価する。
  論文  参考訳（メタデータ） (2026-06-17T08:10:30Z)
• TimeLAVA: Learning-Agnostic Data Valuation for Time Series [48.76711740818533]
  TimeLAVAは、評価データと参照データの間の分布差を最小限に抑えるために、時間セグメントを限界貢献によって評価する学習非依存のフレームワークである。 モデルに依存しない一般化にバリュエーションをリンクする理論的保証を提供し、汚染に対する有界感度を証明する。
  論文  参考訳（メタデータ） (2026-06-17T06:16:16Z)
• Disjoint or Overlapping? Inference Windowing for Reconstruction-Based Time Series Anomaly Detection [1.5439079597766574]
  本研究では,サブシーケンスが不整合ウィンドウとして処理されるか,重なり合うかを制御する推論ストライドの役割について検討する。 本稿では、TSB-ADベンチマーク上で、統一的なトレーニング、チューニング、およびマルチシード評価プロトコルを提案する。 重なり合うウィンドウは、平均的な相対的なゲインが+28%まで向上し、メソッドランキングを変更することができることを示す。
  論文  参考訳（メタデータ） (2026-06-02T19:42:30Z)
• Clipping Bottleneck: Stabilizing RLVR via Stochastic Recovery of Near-Boundary Signals [83.0127582612634]
  Near-boundary Rescue (NSR) は最小限のプラグ・アンド・プレイの修正であり、失った信号を回復するために、アウト・オブ・バウンドトークンを保持する。 NSRはトレーニングの安定性を大幅に改善し、DAPOやGSPOといった強力なベースライン上で一貫したゲインを提供する。
  論文  参考訳（メタデータ） (2026-05-21T16:45:31Z)
• 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)
• Scalably Enhancing the Clinical Validity of a Task Benchmark with Physician Oversight [5.202988483354374]
  本研究では,複雑なタスクの監視ベンチマークを,定期的に再評価すべき 'in-progress living document'' として提案する。 我々は,先進的なエージェント検証を利用して,MedCalc-Benchを監査し,レラベル化する,系統的,内科的・内科的パイプラインを提案する。 検査の結果,抽出ミス,電卓論理ミスマッチ,臨床曖昧さなどにより,原著ラベルの顕著な部分が医学的根拠の真相から逸脱していることが判明した。
  論文  参考訳（メタデータ） (2025-12-22T18:59:34Z)
• Revisiting Multivariate Time Series Forecasting with Missing Values [65.30332997607141]
  現実の時系列では欠落値が一般的である。 現在のアプローチでは、計算モジュールを使用して、不足した値を補う、計算済みの予測フレームワークが開発されている。 このフレームワークは、致命的な問題を見落としている: 欠落した値に対して基礎的な真理は存在せず、予測精度を劣化させる可能性のあるエラーの影響を受けやすいようにしている。 本稿では,Information Bottleneck原則に基づく新しいフレームワークであるConsistency-Regularized Information Bottleneck(CRIB)を紹介する。
  論文  参考訳（メタデータ） (2025-09-27T20:57:48Z)
• Threshold-Consistent Margin Loss for Open-World Deep Metric Learning [42.03620337000911]
  画像検索にDeep Metric Learning (DML) で使われている既存の損失は、しばしば非均一なクラス内およびクラス間表現構造に繋がる。 不整合はしばしば、商用画像検索システムを展開する際のしきい値選択過程を複雑にする。 クラス間の動作特性の分散を定量化するOPIS(Operating-Point-Inconsistency-Score)と呼ばれる,新しい分散に基づく尺度を提案する。
  論文  参考訳（メタデータ） (2023-07-08T21:16:41Z)

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。