論文の概要: TRUST: Threshold-Recalibrated Uncertainty-Safe Training for Certified Dismissal in Breast Cancer Screening

• arxiv url: http://arxiv.org/abs/2609.00300v1
• Date: Mon, 31 Aug 2026 19:45:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-02 16:31:36.039604
• Title: TRUST: Threshold-Recalibrated Uncertainty-Safe Training for Certified Dismissal in Breast Cancer Screening
• Title（参考訳）: TRUST : 乳がん検診における不確実性検査
• Abstract要約: 本稿では,トレーニング中に除去閾値を再計算するクローズドループしきい値認識トレーニング戦略を提案する。 提案モデルは,98%と95%のリコール目標において,ケースレベルの解雇率が最も高かった。 これらの結果は、ハイリコール選択除去のためのクローズドループしきい値認識トレーニングをサポートする。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Reducing the review of clearly cancer-negative screening mammograms could lower radiologist workload without compromising cancer detection. We propose a closed-loop threshold-aware training strategy in which the dismissal threshold is recalculated during training and used to penalize cancer-positive images that approach the dismissal region. We evaluated the method on NLBS and RSNA using five controlled training configurations, with case-level assessment based on a one-sided 99\% Clopper--Pearson upper bound for cancer prevalence among dismissed cases. The proposed model achieved the highest case-level dismissal rates at both 98\% and 95\% recall targets. On NLBS, dismissal reached 19.74\% and 21.70\%, while the cross-entropy baseline did not meet either recall target. On RSNA, dismissal improved from 7.04\% to 14.31\% and from 13.49\% to 19.69\%. In external RSNA$\to$NLBS evaluation, the proposed model achieved dismissal rates of 12.95\% and 19.87\% at the 98\% and 95\% recall targets, respectively. These results support closed-loop threshold-aware training for high-recall selective dismissal.
• Abstract（参考訳）: 明らかながん陰性検診マンモグラムのレビューを減らすことは、がん検出を困難にすることなく、放射線科医の作業量を減少させる可能性がある。 本研究では, 切除領域に接近する癌陽性画像に対して, 切除閾値を再計算するクローズドループしきい値認識トレーニング戦略を提案する。 また,NLBS法とRSNA法について,片側99 % Clopper-Pearson上層部を併用して評価した。 提案モデルでは, 98\%と95\%のリコール目標において, ケースレベルの解雇率が最も高かった。 NLBSでは19.74\%と21.70\%に達し、クロスエントロピーベースラインはどちらのリコール目標にも届かなかった。 RSNAでは、解雇率は7.04 %から14.31 %に改善され、13.49 %から19.69 %に改善された。 外部RSNA$\to$NLBS評価では、提案されたモデルは、それぞれ98\%と95\%のリコール目標において、12.95\%と19.87\%の解雇率を達成した。 これらの結果は、ハイリコール選択除去のためのクローズドループしきい値認識トレーニングをサポートする。

関連論文リスト

• Cybersecurity Detection Classification with Reasoning-enabled Language Models [50.72675435043546]
  セキュリティオペレーションセンター(SOC)の大きな問題は、警告疲労である。 以前の作業では、大きな言語モデル(LLM)がトリアージラベルを直接出力するように促すか、あるいは微調整するが、検出が真の脅威であるかどうかを判断するよう訓練することはない。 我々は、実際の人間ラベルのWindowsエンドポイント検出に対して、推論可能なトリアージ分類器(CoT)を訓練する。
  論文  参考訳（メタデータ） (2026-07-30T16:22:13Z)
• A Pathology Foundation Model for Gastric Cancer with Real-World Validation [47.19073124722865]
  本稿では,実世界評価と臨床dEcision支援のための,胃科固有の基礎モデルであるGRACEについて述べる。 GRACEは, 症例37,493例のHE-stained whole-slide画像を中心に, 48,364例の多施設で開発された。 高齢の病理医に非劣性パフォーマンスを維持するように調整された場合、AI支援のワークフローは萎縮の60.7%、腸転移の82.7%をトリアージする可能性がある。
  論文  参考訳（メタデータ） (2026-06-03T12:18:06Z)
• ESPO: Early-Stopping Proximal Policy Optimization [78.79610718910628]
  ESPO(Early-Stopping Proximal Policy Optimization)は、軌道上の障害を検出し、ロールアウトを早期に終了する。 DeepSeek-R1-Distill-Qwen-7Bでは、ESPOはAIME2024(46.28%対45.25%)、AMC2023(85.83%対82.94%)、MATH-500(87.42%対85.43%)でPPOを上回っている。
  論文  参考訳（メタデータ） (2026-05-28T12:40:22Z)
• A Breast Vision Pathology Foundation Model for Real-world Clinical Utility [65.57568187389113]
  a bfBRAVE, a breast-adaptive pathology foundation model developed and evaluation using a total resources of 101,638 breast wholeslide images。 臨床ワークフローにおけるBRAVEの実践的役割は、通常のAI支援による第2レビューから低リスクのケースを安全に排除すること、そしてさらなる評価のためのケースの優先順位付けなどである。
  論文  参考訳（メタデータ） (2026-05-06T07:44:39Z)
• BadCLIP++: Stealthy and Persistent Backdoors in Multimodal Contrastive Learning [73.46118996284888]
  マルチモーダル・コントラスト学習モデルに対するバックドア攻撃の研究は、ステルスネスと永続性という2つの大きな課題に直面している。 両課題に対処する統合フレームワークであるBadCLIP++を提案する。 ステルスネスのために,タスク関連領域付近に知覚不可能なパターンを埋め込むセマンティックフュージョンQRマイクロトリガーを導入する。 持続性については、半径縮小とセントロイドアライメントによるトリガ埋め込みを安定化する。
  論文  参考訳（メタデータ） (2026-02-19T08:31:16Z)
• Externally Validated Longitudinal GRU Model for Visit-Level 180-Day Mortality Risk in Metastatic Castration-Resistant Prostate Cancer [0.5361389213879222]
  転移性カストレーション耐性前立腺癌 (mCRPC) は予後不良と不均一な治療反応を有する高攻撃性疾患である。 我々は,2つのフェーズIIIコホートからの縦断データを用いて,訪問レベル180日間の死亡リスクモデルを開発し,検証した。
  論文  参考訳（メタデータ） (2026-01-27T20:48:53Z)
• Explainable Admission-Level Predictive Modeling for Prolonged Hospital Stay in Elderly Populations: Challenges in Low- and Middle-Income Countries [65.4286079244589]
  長期滞在期間 (pLoS) は, 院内感染のリスクに関連する重要な要因である。 入院レベルの患者と病院の診療データを用いて, pLosの予測モデルを開発し, 解説する。
  論文  参考訳（メタデータ） (2026-01-07T23:35:24Z)
• Deep Learning Enabled Segmentation, Classification and Risk Assessment of Cervical Cancer [0.0]
  世界で4番目に多い女性がんの原因である頸部がんは、パパ・スミアテストによる早期発見が必要である。 本研究では,細胞の境界を区分けし,がん細胞を分離するために境界ボックスを描画することにより,焦点を絞った解析を行った。 様々な解像度とアスペクト比の画像を効果的に処理するために,新しいディープラーニングアーキテクチャであるMulti-Resolution Fusion Deep Convolutional Networkを提案した。
  論文  参考訳（メタデータ） (2025-05-21T13:25:27Z)
• Predicting Prostate Cancer-Specific Mortality with A.I.-based Gleason Grading [2.752534470219667]
  A.I.をベースとしたGleason grading を用いて前立腺癌特異的死亡率を予測するシステムを開発した。 前立腺摘出症例2,807例の個別振り返りコホートにおいて,リスクストラト化能力を評価した。
  論文  参考訳（メタデータ） (2020-11-25T02:05:24Z)

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。