論文の概要: Picking the Right Image to Classify: Reliable-Input Selection in Teledermatology

• arxiv url: http://arxiv.org/abs/2608.16198v1
• Date: Mon, 17 Aug 2026 07:28:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-18 19:59:03.577084
• Title: Picking the Right Image to Classify: Reliable-Input Selection in Teledermatology
• Title（参考訳）: 正しい画像の分類:テレダーマトロジーにおける信頼性の高い入力選択
• Abstract要約: 同じケースの複数の画像が存在する場合、精度を向上させる自然な方法は、モデルが正しく分類する可能性が高い画像を選択することである。 存在時に正しく分類された画像を選択するオラクルは、6つの皮膚科学データセットと9つの凍結した背骨の平均20パーセントの重み付きF1を上昇させる。 筆者らは, 埋め込み規範, 画像間の近傍のコンセンサス, 摂動下での予測の安定性, モデルの自信の4つのトレーニングデータフリーセレクタをベンチマークした。
• 参考スコア（独自算出の注目度）: 37.91382919873667
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Dermatology models face distribution shifts in teledermatology settings, where submitted images differ from the training data in lighting, angle, distance, focus, and framing. These test-time images are ordinary clinical photographs, but some fall outside the model's training conditions, leading the model to often misclassify them due to shifts in acquisition between training and deployment. When multiple images of the same case exist (several photos of one patient or lesion), a natural way to improve accuracy is therefore to select the image the model is most likely to classify correctly. We call this task reliable-input selection. An oracle that, for each case, selects a correctly classified image when one exists raises weighted F1 by about 20 percentage points on average across six dermatology datasets and nine frozen backbones. This oracle is an upper bound that sees the labels, whereas a selector must choose blindly. Capturing this gain in practice is hard. A selector that needs no pretraining data applies to any frozen model, including those whose data is not public. It must judge reliability from quantities the model exposes at inference: its embeddings, their norms, and its confidence. We benchmark four such training-data-free selectors: the embedding norm, the neighborhood consensus among a case's images, the stability of the prediction under small perturbations, and the model's own confidence. No training-data-free selector substantially narrows this oracle gap. The best of them is the model's own confidence, but it recovers only a small part of the gap on the clinical datasets. A small labeled reference set does not help either: the best selector overall, a fusion of confidence and Mahalanobis distance, still leaves most of the gap. To our knowledge, this is the first study to introduce and benchmark reliable input selection, a clinically important, unsolved task.
• Abstract（参考訳）: 皮膚科モデルでは、送信された画像は、照明、角度、距離、焦点、フレーミングのトレーニングデータとは異なる。 これらのテストタイム画像は通常の臨床写真であるが、モデルのトレーニング条件外にあるものもあり、トレーニングとデプロイメントの間の獲得のシフトにより、しばしばモデルが誤分類される。 同じ症例の複数の画像(複数の患者や病変の写真)が存在する場合、精度を向上させる自然な方法は、モデルが正しく分類する可能性が高い画像を選択することである。 私たちはこのタスクを信頼できる入出力選択と呼ぶ。 例えば、6つの皮膚科のデータセットと9つの凍結した背骨で平均20ポイントずつ重み付けされたF1を上昇させると、正しく分類された画像が選択される。 このオラクルはラベルを表示する上限であり、セレクタは盲目的に選択しなければならない。 実際にこの利益を得るのは難しい。 事前トレーニングデータを必要としないセレクタは、データが公開されていないものを含む、任意の凍結モデルに適用される。 モデルは、その埋め込み、それらのノルム、そしてその信頼という、推論によって露出する量から信頼性を判断しなければならない。 筆者らは, 埋め込み規範, 画像間の近傍のコンセンサス, 摂動下での予測の安定性, モデルの自信の4つのトレーニングデータフリーセレクタをベンチマークした。 トレーニングデータのないセレクタが、このオラクルギャップを大幅に狭めることはない。 最善は、モデル自身の自信であるが、臨床データセットのギャップのごく一部を回復する。 小さなラベル付き参照集合はどちらも役に立たない: 最高のセレクタ、信頼の融合とマハラノビス距離は、依然としてギャップの大部分を残している。 我々の知る限り、これは臨床的に重要で未解決のタスクである信頼性の高い入力選択を導入し、ベンチマークする最初の研究である。

関連論文リスト

• LLMs as a Jury: Cross-Model Consensus Can Outperform Process Reward Models for LLM Reasoning [6.241883798820154]
  モデル間コンセンサス(モデル間コンセンサス)について検討し、独立に訓練されたモデル(各モデルが一度解ける程度)が最終解に一致するかを検討した。 パネルをLCM判定として扱い、合意の構造は、他のモデルのスコアではなく、検証信号である。 3つのパネル統計値から平均絶対誤差0.03$までのコンセンサス精度を予測する。
  論文  参考訳（メタデータ） (2026-07-11T05:57:54Z)
• Mitigating Overfitting in Medical Imaging: Self-Supervised Pretraining vs. ImageNet Transfer Learning for Dermatological Diagnosis [0.5025737475817937]
  本研究では,高価値皮膚科学的特徴を抽出する教師なし学習フレームワークを提案する。 我々は、独自の皮膚科学データセットに基づいて、スクラッチから訓練された変分オートエンコーダを用いる。 自己教師付き学習は、安定した改善、より強力な一般化、優れた適応性を達成する。
  論文  参考訳（メタデータ） (2025-05-22T15:15:17Z)
• An analysis of data variation and bias in image-based dermatological datasets for machine learning classification [2.039829968340841]
  臨床皮膚学では、分類モデルはRGB画像のみを入力として、患者の皮膚の悪性病変を検出することができる。 学習に基づくほとんどの手法では、トレーニングにおいて皮膚科のデータセットから取得したデータを用いており、これは金の基準によって大きく検証されている。 本研究の目的は,皮膚内視鏡検査と臨床検査のギャップを評価し,データセットの変動がトレーニングに与える影響を理解することである。
  論文  参考訳（メタデータ） (2025-01-15T17:18:46Z)
• MoVL:Exploring Fusion Strategies for the Domain-Adaptive Application of Pretrained Models in Medical Imaging Tasks [6.8948885302235325]
  本稿では,入力医療画像と自然事前学習型視覚モデルとのギャップを埋めるために視覚刺激(VP)を導入する。 本稿では,分類損失と差分損失を含む共同学習損失関数を設計し,インパルス画像とプレーン画像のばらつきを記述した。 分布医学データセットの内訳では,本手法(90.33%)はFF(85.15%)を5.18%リードで上回りうる。
  論文  参考訳（メタデータ） (2024-05-13T01:18:25Z)
• Uncertainty-aware Sampling for Long-tailed Semi-supervised Learning [89.98353600316285]
  擬似ラベルサンプリングのモデル化プロセスに不確実性を導入し、各クラスにおけるモデル性能が異なる訓練段階によって異なることを考慮した。 このアプローチにより、モデルは異なる訓練段階における擬似ラベルの不確かさを認識でき、それによって異なるクラスの選択閾値を適応的に調整できる。 FixMatchのような他の手法と比較して、UDTSは自然シーン画像データセットの精度を少なくとも5.26%、1.75%、9.96%、1.28%向上させる。
  論文  参考訳（メタデータ） (2024-01-09T08:59:39Z)
• Confidence-Based Model Selection: When to Take Shortcuts for Subpopulation Shifts [119.22672589020394]
  モデル信頼度がモデル選択を効果的に導くことができるConfidence-based Model Selection (CosMoS)を提案する。 我々はCosMoSを,データ分散シフトのレベルが異なる複数のテストセットを持つ4つのデータセットで評価した。
  論文  参考訳（メタデータ） (2023-06-19T18:48:15Z)
• Spuriosity Rankings: Sorting Data to Measure and Mitigate Biases [62.54519787811138]
  本稿では,突発的手がかりに依存したモデルバイアスを簡易かつ効果的に測定・緩和する手法を提案する。 我々は,解釈可能なネットワークの深部神経的特徴をベースとして,それらのクラス内の画像のランク付けを行う。 以上の結果から,素早い特徴依存によるモデルバイアスは,モデルがどのようにトレーニングされたかよりも,モデルがトレーニングされていることの影響がはるかに大きいことが示唆された。
  論文  参考訳（メタデータ） (2022-12-05T23:15:43Z)
• DOMINO: Domain-aware Model Calibration in Medical Image Segmentation [51.346121016559024]
  現代のディープニューラルネットワークはキャリブレーションが不十分で、信頼性と信頼性を損なう。 本稿では,クラスラベル間のセマンティック・コンフューザビリティと階層的類似性を利用したドメイン認識モデルキャリブレーション手法であるDOMINOを提案する。 その結果,DOMINOを校正したディープニューラルネットワークは,頭部画像分割における非校正モデルや最先端形態計測法よりも優れていた。
  論文  参考訳（メタデータ） (2022-09-13T15:31:52Z)
• On-the-Fly Test-time Adaptation for Medical Image Segmentation [63.476899335138164]
  ソースモデルをテスト時にターゲットデータに適応させることは、データシフト問題に対する効率的な解決策である。 本稿では、各畳み込みブロックに適応バッチ正規化層を設けるAdaptive UNetという新しいフレームワークを提案する。 テスト期間中、モデルは新しいテストイメージのみを取り込み、ドメインコードを生成して、テストデータに従ってソースモデルの特徴を適応させる。
  論文  参考訳（メタデータ） (2022-03-10T18:51:29Z)

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。