論文の概要: TRIAGE: Risk-Controlled Pseudo-Label Admission for Annotation-Efficient Semi-Supervised Retinal OCT Classification

• arxiv url: http://arxiv.org/abs/2608.14321v1
• Date: Fri, 14 Aug 2026 14:06:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-17 20:14:29.40358
• Title: TRIAGE: Risk-Controlled Pseudo-Label Admission for Annotation-Efficient Semi-Supervised Retinal OCT Classification
• Title（参考訳）: TRIAGE: Annotation-Efficient Semi-Supervised Retinal OCT 分類におけるリスク制御型擬似ラベル適応
• Abstract要約: 本稿では,OCTスキャン分類のためのリスク制御型半教師付きフレームワークTRIAGEを提案する。 ノアアイ病院(Bスキャン16,822人、161人、554巻)のデータセットで、TRIAGEは89.66%のスキャンレベルの精度、0.8805のマクロF1、0.9641のマクロAUC、そして8.34%の下位グレードレートを示している。
• 参考スコア（独自算出の注目度）: 0.6213771671016098
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The advanced retinal disease diagnosing imaging modality, optical coherence tomography (OCT), encounters a lack of automation because of the high expenses for annotations performed by specialists. The use of SSL solves the problem of insufficient annotations using unlabeled B-scans; however, most of the current techniques for generating pseudo-labels are based on prediction confidence without considering the asymmetry between different types of errors. This paper proposes TRIAGE, a risk-controlled semi-supervised framework for OCT scans classification, which uses the concept of a patient-level conformal risk controller with an asymmetric cost matrix. TRIAGE unites three crucial modules: a hierarchical classifier that is capable of working with partially abnormal supervision of the disease subtypes, a patient-grouped conformal risk controller with primal-dual coverage control, and a context-aware Transformer teacher for cross-slice verification. On the dataset from Noor Eye Hospital (16,822 B-scans, 161 patients, and 554 volumes) with a test set of unseen patients, TRIAGE demonstrates 89.66% scan-level accuracy, 0.8805 macro-F1, 0.9641 macro-AUC, and an 8.34% under-grading rate when using only 20% of the labeled data. With only 5% of the labeled data, TRIAGE keeps 76.88% accuracy and a 0.1656 under-grading rate. Compared with the other six state-of-the-art semi-supervised methods, TRIAGE significantly outperforms them with ablation study demonstrating the contribution of each module in the overall framework performance (by 42.7% in terms of under-grading rate comparing to fixed threshold methods). TRIAGE demonstrates 98.00% accuracy for 3-class classification with 1% labeled data and 95.94% accuracy for 8-class classification with 10% labeled data on the OCT-C8 dataset.
• Abstract（参考訳）: 画像モダリティ、光コヒーレンス断層撮影(OCT)を診断する高度な網膜疾患は、専門家によるアノテーションのコストが高いため、自動化が欠如している。 SSLの使用は、未ラベルのBスキャンを用いたアノテーションの不足を解消するが、現在の擬似ラベル生成技術のほとんどは、異なるタイプのエラーの非対称性を考慮せずに予測信頼に基づいている。 本稿では,OCTスキャン分類のためのリスク制御型半教師付きフレームワークであるTRIAGEを提案する。 TRIAGEは、疾患のサブタイプを部分的に異常に監視できる階層型分類器、プライマリ・デュアル・カバレッジ・コントロールを備えた患者グループ型コンフォメーション・リスク・コントローラ、クロススライス・検証のためのコンテキスト対応トランスフォーマー・教師の3つの重要なモジュールをまとめている。 ノアアイ病院(Bスキャン16,822人、患者161人、および554巻)のデータセットで、TRIAGEは89.66%のスキャンレベルの精度、0.8805のマクロ-F1、0.9641のマクロ-AUC、ラベル付きデータの20%しか使用していないときに8.34%の低グレードレートを示す。 ラベル付きデータの5%に過ぎず、TRIAGEは76.88%の精度と0.1656の低グレードレートを維持している。 他の6つの最先端の半教師手法と比較して、TRIAGEは、フレームワーク全体のパフォーマンスにおける各モジュールの寄与を示すアブレーション研究(固定しきい値法と比較した場合、42.7%)で、それらを著しく上回っている。 TRIAGEは、1%のラベル付きデータと95.94%の精度で3クラス分類の98.00%、OCT-C8データセットの10%のラベル付きデータで8クラス分類の95.94%の精度を示している。

関連論文リスト

• Improving O-RADS Risk Stratification from Ultrasound Reports: A Comparative Evaluation of Hybrid versus End-to-End LLM Reasoning Strategies [17.85382282659117]
  ORADS(OvarianAd Reportingal and Data Fable System)分類における大規模言語モデル(LLM)の性能と推論戦略を比較した。 機能ベースのハイブリッドアーキテクチャは、ほぼ最高の性能を示し、99.2%の精度(390の387)と参照標準との一致を実現した。
  論文  参考訳（メタデータ） (2026-08-24T10:04:17Z)
• Auditable agentic AI for evidence-grounded thyroid ultrasound diagnosis and reporting [59.709162055944915]
  ThyroidXAgentは、特殊な診断ツールをコーディネートし、その出力を監査可能なケースレベルの証拠記録として保存するエージェントAIシステムである。 NHC-MISD-TUSコホート内35施設8,721件を含む,重複しない28,458件の検査を行った。 セグメンテーションでは平均Diceスコアが87.21パーセント、良悪性分類では平均AUROCが0.9466だった。
  論文  参考訳（メタデータ） (2026-08-12T21:02:59Z)
• MalariAI: A Label-Resilient Decoupled Framework for Universal Cell Segmentation and Explainable Stage Classification in Dense Malaria Blood Smears [0.0]
  血液スミア顕微鏡によるマラリアの診断は、グローバルヘルスAIにとって重要な課題である。 3つの複合的障害モードは、既存のディープラーニングシステムの信頼性の高い臨床展開を防ぐ。 統一パイプラインにおける3つの障害モードすべてに対処する、2段階の分離フレームワークであるMarariAIを紹介します。
  論文  参考訳（メタデータ） (2026-07-01T03:27:04Z)
• 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)
• Automated Detection of Dosing Errors in Clinical Trial Narratives: A Multi-Modal Feature Engineering Approach with LightGBM [1.0152838128195467]
  本研究では,非構造的臨床試験におけるドスリングエラーの自動検出システムを提案する。 提案手法は,従来のNLP(TF-IDF,キャラクタn-gram),密接なセマンティック埋め込み,ドメイン固有の医療パターン,トランスフォーマーベースのスコアにまたがる3,451の特徴を組み合わせたものである。
  論文  参考訳（メタデータ） (2026-03-25T14:56:34Z)
• FUGC: Benchmarking Semi-Supervised Learning Methods for Cervical Segmentation [63.7829089874007]
  本稿では,頚椎椎間板断裂における半教師あり学習のための最初のベンチマークであるFetal Ultrasound Grand Challenge (FUGC)を紹介する。 FUGCは、500のトレーニング画像、90の検証画像、300のテスト画像を含む890のTVSイメージのデータセットを提供する。 Dice similarity Coefficient (DSC), Hausdorff Distance (HD), and Runtime (RT), with a weighted combination of 0.4/0.4/0.2。
  論文  参考訳（メタデータ） (2026-01-22T01:34:39Z)
• 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)
• Hemorica: A Comprehensive CT Scan Dataset for Automated Brain Hemorrhage Classification, Segmentation, and Detection [0.749500254646884]
  Hemoricaは、2012年から2024年の間に取得された372個の頭部CT検査の公開コレクションである。 ICHサブタイプ(EPH)、サブデューラル(SDH)、サブアラキノイド(SAH)、パーレンキマル(IPH)の5つのサブタイプ(EPH)に対して、各スキャンは徹底的に注釈付けされている。 Hemoricaは、マルチタスクとカリキュラム学習をサポートする統一されたきめ細かいベンチマークを提供する。
  論文  参考訳（メタデータ） (2025-09-26T23:09:41Z)
• Semi-supervised Medical Image Classification with Relation-driven Self-ensembling Model [71.80319052891817]
  医用画像分類のための関係駆動型半教師付きフレームワークを提案する。 これは、摂動下で与えられた入力の予測一貫性を促進することでラベルのないデータを利用する。 本手法は,シングルラベルおよびマルチラベル画像分類のシナリオにおいて,最先端の半教師付き学習手法よりも優れる。
  論文  参考訳（メタデータ） (2020-05-15T06:57:54Z)
• 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。