論文の概要: Label-Free Foundational Model Selection for Medical Image Classification under Distribution Shift via Pseudo Label Discrepancy

• arxiv url: http://arxiv.org/abs/2608.25810v1
• Date: Wed, 26 Aug 2026 13:56:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-27 14:15:15.849078
• Title: Label-Free Foundational Model Selection for Medical Image Classification under Distribution Shift via Pseudo Label Discrepancy
• Title（参考訳）: Pseudo Label Disrepancy を用いた分布シフトに基づく医用画像分類のためのラベルフリー基礎モデル選択
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 3.0016442487726884
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Foundation models are increasingly deployed for medical image analysis. However, under the inter-institutional distribution shift typical of deployment, their performance varies widely and cannot be known without target-domain labels, which are rarely available. This leaves a practical question unresolved: given several candidate foundational models and labeled-data from a source domain, which one to deploy in an unlabeled target domain? We propose a label-free selection criterion built on SUDO, a framework for evaluating clinical AI systems without ground-truth annotations. SUDO partitions the unlabeled target data by predicted probability and, for each region, measures a pseudo-label discrepancy reflecting class contamination; aggregated across regions, this yields a score (AURCC) requiring neither target annotation nor fine-tuning. We show that AURCC can be used to rank a variety of vision-language models (BioMedCLIP, CXR-CLIP, CheXzero, MedCLIP, MedImageInsight, CLIP) on chest X-ray classification across three inter-hospital shift scenarios, under zero-shot and MLP-probe regimes. The AURCC ranking recovers the ground-truth ranking with Spearman rho up to 0.943 (p<0.05). Against the natural baseline of ranking by held-out source accuracy, AURCC is competitive when the labeled source is large and yields a more accurate ranking once it is small; the regime of interest in resource-constrained settings.
• Abstract（参考訳）: ファンデーションモデルは、医療画像分析のためにますますデプロイされている。 しかし、制度間分散シフトの典型的な展開の下では、その性能は様々であり、ターゲットドメインラベルなしでは知られず、ほとんど利用できない。 いくつかの候補となる基礎モデルとラベル付きデータをソースドメインから与え、ラベルなしのターゲットドメインにデプロイするか? 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。 SUDOは、未ラベルのターゲットデータを予測確率で分割し、各領域において、クラス汚染を反映する擬似ラベルの不一致を測定し、各領域に集約され、ターゲットアノテーションも微調整も必要としないスコア(AURCC)を得る。 胸部X線分類では, 胸部X線分類では, ゼロショット, MLP-probeの3つの条件で, 様々な視覚言語モデル(BioMedCLIP, CXR-CLIP, CheXzero, MedCLIP, MedImageInsight, CLIP)をランク付けすることができる。 AURCCランキングは、スピアマン・ローを0.943 (p<0.05)まで引き上げる。 AURCCは、ラベル付きソースが大きければ競争力があり、小さいとより正確なランキングが得られる。

関連論文リスト

• How Far from Clinical Deployment? Evaluating the Complete Unsupervised Domain Adaptation Pipeline in Medical Imaging [0.4893345190925178]
  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。
  論文  参考訳（メタデータ） (2026-08-12T13:19:14Z)
• Domain-Aware Hierarchical Contrastive Learning for Semi-Supervised Generalization Fault Diagnosis [49.89578655034085]
  本稿では,障害診断のためのドメイン認識型階層的コントラスト学習(DAHCL)という統合フレームワークを提案する。 DAHCLは、ソースドメインの幾何学的特徴を捉え、異種ソースドメイン間の擬似ラベル予測を校正する。 また,動的信頼層化とファジィコントラスト監視を組み合わせた階層型コントラスト学習モジュールを開発した。
  論文  参考訳（メタデータ） (2026-04-22T08:41:27Z)
• Labeled-to-Unlabeled Distribution Alignment for Partially-Supervised Multi-Organ Medical Image Segmentation [30.953837550398884]
  部分教師付き多臓器画像セグメンテーションは統合意味セグメンテーションモデルの構築を目的としている。 本稿では,特徴分布を調整し,識別能力を向上するラベル付き非ラベル分布アライメントフレームワークを提案する。 提案手法は,最先端部分教師方式よりもかなりのマージンで性能を向上する。
  論文  参考訳（メタデータ） (2024-09-05T03:55:37Z)
• Scale Federated Learning for Label Set Mismatch in Medical Image Classification [4.344828846048128]
  フェデレートラーニング(FL)は、分散型ラーニングパラダイムとして医療分野に導入されている。 これまでのほとんどの研究は、全てのクライアントが同一のラベルセットを持っていると仮定している。 本稿では,ラベルセットミスマッチの問題を解決するためのフレームワークFedLSMを提案する。
  論文  参考訳（メタデータ） (2023-04-14T05:32:01Z)
• Divide and Contrast: Source-free Domain Adaptation via Adaptive Contrastive Learning [122.62311703151215]
  Divide and Contrast (DaC) は、それぞれの制限を回避しつつ、両方の世界の善良な端を接続することを目的としている。 DaCは、ターゲットデータをソースライクなサンプルとターゲット固有なサンプルに分割する。 さらに、ソースライクなドメインと、メモリバンクベースの最大平均離散性(MMD)損失を用いて、ターゲット固有のサンプルとを整合させて、分散ミスマッチを低減する。
  論文  参考訳（メタデータ） (2022-11-12T09:21:49Z)
• A Benchmark for Weakly Semi-Supervised Abnormality Localization in Chest X-Rays [42.1336336144291]
  本稿では,弱い半教師付き戦略であるPoint Beyond Classを用いて,CXR異常局所化フレームワークを訓練することを提案する。 PBCの背後にある中核的な考え方は、ポイントアノテーションからバウンディングボックスへの堅牢で正確なマッピングを学ぶことです。 RSNAとVinDr-CXRデータセットの実験結果は,提案手法の有効性を正当化するものである。
  論文  参考訳（メタデータ） (2022-09-05T14:36:07Z)
• Cycle Label-Consistent Networks for Unsupervised Domain Adaptation [57.29464116557734]
  ドメイン適応は、ラベル付きソースドメインを活用して、異なる分布を持つラベル付きターゲットドメインの分類子を学ぶことを目的としています。 本稿では,分類ラベルのサイクル整合性を利用して,シンプルで効率的な領域適応手法,すなわちCycle Label-Consistent Network (CLCN)を提案する。 MNIST-USPS-SVHN, Office-31, Office-Home, Image CLEF-DAベンチマークに対するアプローチの有効性を示す。
  論文  参考訳（メタデータ） (2022-05-27T13:09:08Z)
• Rethinking Pseudo Labels for Semi-Supervised Object Detection [84.697097472401]
  物体検出に適した確実な擬似ラベルを導入する。 我々は,クラス不均衡問題を緩和するために,各カテゴリの擬似ラベルと再重み付き損失関数を生成するために使用する閾値を動的に調整する。 提案手法では,COCOのラベル付きデータのみを用いて,教師付きベースラインを最大10%改善する。
  論文  参考訳（メタデータ） (2021-06-01T01:32:03Z)
• Learning Target Domain Specific Classifier for Partial Domain Adaptation [85.71584004185031]
  非教師付きドメイン適応(UDA)は、ラベル付きソースドメインからラベル付きターゲットドメインに知識を転送する際の分散不一致を低減することを目的としている。 本稿では,ターゲットラベル空間をソースラベル空間に仮定する,より現実的なUDAシナリオに焦点を当てる。
  論文  参考訳（メタデータ） (2020-08-25T02:28:24Z)
• Joint Visual and Temporal Consistency for Unsupervised Domain Adaptive Person Re-Identification [64.37745443119942]
  本稿では,局所的なワンホット分類とグローバルなマルチクラス分類を組み合わせることで,視覚的・時間的整合性を両立させる。 3つの大規模ReIDデータセットの実験結果は、教師なしと教師なしの両方のドメイン適応型ReIDタスクにおいて提案手法の優位性を示す。
  論文  参考訳（メタデータ） (2020-07-21T14:31:27Z)

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。