論文の概要: Adaptive Conformal Redistribution for Inter-class Transitional Uncertainty in Medical Image Classification

• arxiv url: http://arxiv.org/abs/2609.13303v1
• Date: Thu, 10 Sep 2026 06:21:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 07:15:05.195229
• Title: Adaptive Conformal Redistribution for Inter-class Transitional Uncertainty in Medical Image Classification
• Title（参考訳）: 医用画像分類におけるクラス間遷移不確かさに対する適応的コンフォーマル再分布
• Abstract要約: アダプティブコンフォメーション(Adaptive conformal redistribution, AdaConRed)は、曖昧な予測セットを洗練されたクラス割り当てに変換する、ラベルのないポストコンフォーマル決定ルールである。 AdaConRedはLAC、APS、RAPSを同じバックボーンと再配布規則で上回る。 コンフォーマルな予測は、移行性疾患のカテゴリが存在する行動可能な意思決定支援に向けて、不確実性を超えて拡張することができる。
• 参考スコア（独自算出の注目度）: 9.578682349231789
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Medical image classification is frequently complicated by transitional categories whose feature distributions overlap those of adjacent classes, producing ambiguous decision boundaries. Conformal prediction returns uncertainty-aware prediction sets, but these are not directly actionable in clinical screening, where a single decision is required. This work proposes adaptive conformal redistribution (AdaConRed), a label-free post-conformal decision rule that converts ambiguous prediction sets into refined class assignments. A five-stage pipeline is developed. Vision-language generative augmentation addresses minority-class scarcity; a frozen DermFoundation encoder provides embeddings; a lightweight multi-layer perceptron performs classification; an entropy-modulated, margin-aware nonconformity score constructs adaptive prediction sets; samples predicted as transitional with multi-label sets are reassigned to the most probable alternative class within the set, using only model outputs at inference. Evaluation uses the OSCC oral lesion and ISIC skin lesion benchmarks at a miscoverage level of 0.2. On the 3-class OSCC benchmark, overall accuracy improves from 73.54% to 77.38%, with oral cancer accuracy rising from 64.29% to 82.14% and benign accuracy from 56.57% to 70.20%. Reassignment of transitional samples reduces OPMD accuracy from 84.78% to 80.16%, consistent with the asymmetric cost of missed malignancy. On ISIC, overall accuracy improves from 85.83% to 87.19%, melanoma accuracy rising from 66.04% to 68.34%. AdaConRed outperforms LAC, APS and RAPS under an identical backbone and redistribution rule. Conformal prediction can be extended beyond uncertainty quantification toward actionable decision support where transitional disease categories are present, with gains concentrated in the clinically critical malignant categories. Code repository: https://github.com/saibal436ghosh/AdaConRed.
• Abstract（参考訳）: 医用画像の分類は、特徴分布が隣接クラスと重なる過渡カテゴリによって複雑化され、曖昧な決定境界が生じることが多い。 コンフォーマル予測は、不確実性を認識した予測セットを返すが、これらは、1つの決定が要求される臨床検査では直接動作しない。 本研究では,アダプティブ・コンフォメーション(AdaConRed)を提案する。 5段パイプラインが開発されている。 視覚言語生成増強は少数クラスの不足に対処し、凍結されたDermFoundationエンコーダは埋め込みを提供し、軽量な多層パーセプトロンは分類を行い、エントロピー変調されたマージン対応の非整合性スコアは適応予測セットを構成する。 評価はOSCC口腔病変とISIC皮膚病変を0.2。 3クラスOSCCベンチマークでは、全体的な精度は73.54%から77.38%に改善され、口腔癌は64.29%から82.14%に、良性は56.57%から70.20%に向上した。 遷移サンプルの再割り当てにより、OPMDの精度は84.78%から80.16%に低下し、悪性腫瘍の非対称なコストと一致している。 ISICでは、全体的な精度は85.83%から87.19%に改善され、メラノーマの精度は66.04%から68.34%に向上した。 AdaConRedはLAC、APS、RAPSを同じバックボーンと再配布規則で上回る。 コンフォーマル予測は、移行性疾患のカテゴリが存在する場合の行動可能な意思決定支援に向けて不確実性定量化を超えて拡張することができ、臨床上重要な悪性カテゴリーに集中している。 コードリポジトリ:https://github.com/saibal436ghosh/AdaConRed。

関連論文リスト

• The Accuracy Paradox: Empirical Diagnostic of Default Decision Thresholds in Multi-Label Enzyme Commission Prediction [With Code] [0.7530103765625609]
  本報告では,厳密なクラス不均衡の下で動作している未校正決定境界の系統的実証診断について述べる。 その結果, マルチラベルシステムAは77.16%, マクロF1スコア(0.3976), マクロリコール(0.3872)の精度が著しく向上した。
  論文  参考訳（メタデータ） (2026-09-07T19:00:17Z)
• Cross-Fitted Residual Utility for Primary-Preserving Cognitive Decision Correction in Automatic Modulation Classification [1.547549252134621]
  本稿では,クロスフィット型残効ユーティリティとプライマリ保存型認知決定ポリシーを用いて,推論後の問題について検討する。 構造化されたkan-Fourier分類器はデフォルトの確率を提供し、ニューラルおよび非ニューラル候補は観測可能な証拠を提供する。 RMLA、RMLB、HISARでは、完全なシステムは全体の精度を63.632%から66.332%、65.161%から66.168%、77.769%から79.867%に改善している。
  論文  参考訳（メタデータ） (2026-08-03T11:07:37Z)
• Cascade Classification of Dermoscopic Images of Skin Neoplasms with Controllable Sensitivity and External Clinical Validation [36.94429692322632]
  二段式(悪性/良性)、一段式(良性、MEL、SCC、BCC)、二段式(二段式トリアージ、三段式MEL/SCC/BCC)の3種類を比較した。 すべてのモデルはImageNet-pretrained weightsを使用し、オープンなISICアーカイブデータに1つの拡張プロトコルを使用した。 ISIC MILK10kでは、11級の直接分類により平均級感度0.525が得られる。
  論文  参考訳（メタデータ） (2026-06-11T09:55:57Z)
• Calibration, Uncertainty Communication, and Deployment Readiness in CKD Risk Prediction: A Framework Evaluation Study [0.0]
  慢性腎臓病の機械学習モデルは、しばしば内部テストセットに強い差別的スコアを与える。 UCI CKDデータセット(400例,62.5%)を用いた5つの分類器の訓練を行った。 キャリブレーション品質,コンフォーマルな予測カバレッジ,8基準の展開準備フレームワークについて検討した。
  論文  参考訳（メタデータ） (2026-05-20T17:12:48Z)
• LAW & ORDER: Adaptive Spatial Weighting for Medical Diffusion and Segmentation [3.6879658915311997]
  Learnable Adaptive Weighter (LAW) は拡散訓練のための特徴とマスクから画素当たりの損失変調を予測する。 ORDERは、効率的なセグメンテーションのために、遅延デコーダ段階で選択的双方向スキップ注意を適用する。 ポリープおよび腎腫瘍データセットの実験により、LAWは20%のFID産生改善を達成することが示された。
  論文  参考訳（メタデータ） (2026-03-05T04:20:32Z)
• From Black Box to Glass Box: Cross-Model ASR Disagreement to Prioto Review in Ambient AI Scribe Documentation [43.148402136307716]
  異種ASRシステム間のクロスモデル不一致は、基準のない不確実性信号として機能する。 商用APIとオープンソースエンジンにまたがる8つのASRシステムを備えた,50の公開医療用オーディオクリップを転写した。 低アグリメント領域は内容の不一致に富み、高リスク質量のクインタイル全体では53.9%から73.9%に増加した。
  論文  参考訳（メタデータ） (2026-03-02T13:02:13Z)
• PanCanBench: A Comprehensive Benchmark for Evaluating Large Language Models in Pancreatic Oncology [48.732366302949515]
  大規模言語モデル(LLM)は、標準化された検査において専門家レベルの性能を達成したが、複数の選択精度は現実の臨床的有用性や安全性を十分に反映していない。 我々は、未確認患者の質問に対して、専門家のルーブリックを作成するための、ループ内人間パイプラインを開発した。 LLM-as-a-judge フレームワークを用いて,22のプロプライエタリおよびオープンソース LLM の評価を行い,臨床完全性,事実精度,Web-search 統合について検討した。
  論文  参考訳（メタデータ） (2026-03-02T00:50:39Z)
• LATA: Laplacian-Assisted Transductive Adaptation for Conformal Uncertainty in Medical VLMs [61.06744611795341]
  医用視覚言語モデル(VLM)は医用画像の強力なゼロショット認識器である。 本研究では,ラプラシアン支援トランスダクティブ・アダプティブ・アダプティブ・アダプティブ・アダプティブ・アダプティブ・アダプティブ・アダプティブ(texttttextbfLATA,ラプラシアン支援トランスダクティブ・アダプティブ・アダプティブ・アダプティブ)を提案する。 texttttextbfLATAは交換性を損なうことなくゼロショット予測をシャープにする。
  論文  参考訳（メタデータ） (2026-02-19T16:45:38Z)
• Transparent Early ICU Mortality Prediction with Clinical Transformer and Per-Case Modality Attribution [42.85462513661566]
  ICU滞在後48時間から, 生理的時系列測定と非構造的臨床記録とを融合した, 軽量で透明なマルチモーダルアンサンブルを提案する。 ロジスティック回帰モデルは、バイタル用双方向LSTMとノート用微調整された臨床ModernBERT変換器の2つのモード固有モデルからの予測を組み合わせる。 MIMIC-IIIベンチマークでは、遅延融合アンサンブルは、よく校正された予測を維持しながら、最高の単一モデルに対する差別を改善する。
  論文  参考訳（メタデータ） (2025-11-19T20:11:49Z)
• Prostate-VarBench: A Benchmark with Interpretable TabNet Framework for Prostate Cancer Variant Classification [14.190646211771073]
  VUS(Variants of Uncertain Significance)は前立腺癌ゲノムの臨床的有用性を制限する。 Prostate-VarBenchは、prostate固有のベンチマークを作成するための、キュレートされたパイプラインである。
  論文  参考訳（メタデータ） (2025-11-12T06:13:50Z)
• Model Calibration in Dense Classification with Adaptive Label Perturbation [44.62722402349157]
  既存の密接な二分分類モデルは、過信される傾向がある。 本稿では,各トレーニング画像に対する独自のラベル摂動レベルを学習する適応ラベル摂動(ASLP)を提案する。 ASLPは、分布内および分布外の両方のデータに基づいて、密度の高い二分分類モデルの校正度を著しく改善することができる。
  論文  参考訳（メタデータ） (2023-07-25T14:40:11Z)
• Towards Reliable Medical Image Segmentation by Modeling Evidential Calibrated Uncertainty [57.023423137202485]
  医用画像のセグメンテーションの信頼性に関する懸念が臨床医の間で続いている。 本稿では,医療画像セグメンテーションネットワークにシームレスに統合可能な,実装が容易な基礎モデルであるDEviSを紹介する。 主観的論理理論を活用することで、医用画像分割の確率と不確実性を明示的にモデル化する。
  論文  参考訳（メタデータ） (2023-01-01T05:02:46Z)

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。