論文の概要: Beyond Performance Metrics: Uncertainty Mapping of Label Ambiguity in Fazekas Score Prediction

• arxiv url: http://arxiv.org/abs/2609.17753v1
• Date: Tue, 15 Sep 2026 19:03:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:53.50899
• Title: Beyond Performance Metrics: Uncertainty Mapping of Label Ambiguity in Fazekas Score Prediction
• Title（参考訳）: パフォーマンス指標を超えて: Fazekas スコア予測におけるラベル曖昧性の不確実性マッピング
• Abstract要約: 心室周囲のFazekasスコア予測のためのモデル性能解析フレームワークを提案する。 ファゼカススコア(英: Fazekas score)は、ホワイトマターの超強度の重症度を評価するために用いられる視覚的評価尺度である。
• 参考スコア（独自算出の注目度）: 0.4199844472131921
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Reference labels used to train medical image classification models are not always as certain as they may appear, and this uncertainty has implications on performance metrics. In this study, we propose a framework to analyze model performance for periventricular Fazekas score prediction that goes beyond conventional metrics. The Fazekas score is an ordinal visual rating scale used to assess the severity of white matter hyperintensities and is known to be affected by inter-rater variability. While the best Fazekas score prediction model achieved a Matthews correlation coefficient (MCC) of 0.70, performance varied across data splits and loss functions, making interpretation of model capabilities difficult. Rather than interpreting epistemic uncertainty of a model's prediction as an isolated scalar value, our approach of uncertainty mapping relates uncertainty to its position within the learned feature representation. This highlights regions of class-boundary transitions where cases appear more ambiguous and misclassifications are more likely. It also identifies potential label disagreement, including low-uncertainty misclassified cases that expert review found to be inconsistent with the original reference Fazekas score. Therefore, uncertainty mapping allows model behaviour to be examined in relation to class separation and potential model-label disagreement. Loss function choice also influenced the uncertainty profile, with some models showing clearer class separation and more localized uncertainty in ambiguous regions than others. These findings suggest that uncertainty mapping for Fazekas score predictions can support model interpretation and targeted dataset review when reference labels are affected by ambiguity/ inter-rater variability.
• Abstract（参考訳）: 医用画像分類モデルのトレーニングに使用される基準ラベルは、表示される可能性ほど必ずしも確実ではなく、この不確実性はパフォーマンス指標に影響を及ぼす。 本研究では,従来の測定値を超える心室中Fazekasスコア予測のためのモデル性能解析フレームワークを提案する。 ファゼカススコア(英: Fazekas score)は、ホワイトマターの超強度の重症度を評価するために用いられる、通常の視覚的評価尺度である。 最高のファゼカススコア予測モデルはマシューズ相関係数(MCC)0.70を達成したが、データ分割と損失関数によって性能が変化し、モデルの能力の解釈が困難になった。 モデルの予測を分離されたスカラー値として解釈する代わりに、不確実性マッピングのアプローチは、学習された特徴表現内のその位置と関係する。 これは、ケースがあいまいに見え、誤分類がより起こりやすいクラス境界遷移の領域を強調している。 また、専門家によるレビューが元々のファゼカスの基準値と矛盾していることが判明した、不確実性の低い誤分類事例を含む、潜在的なラベルの不一致を識別する。 したがって、不確実性マッピングにより、クラス分離と潜在的なモデル-ラベルの相違に関してモデル挙動を調べることができる。 損失関数の選択は不確実性プロファイルにも影響を及ぼし、クラス分離の明確化と曖昧な領域での局所的不確実性を示すモデルもあった。 これらの結果から,Fazekasスコア予測の不確実性マッピングは,参照ラベルがあいまいさ/ラッター間変動の影響を受ければ,モデル解釈とターゲットデータセットのレビューをサポートすることが示唆された。

関連論文リスト

• Beyond the Mean: Modelling Annotation Distributions in Continuous Affect Prediction [3.3187704612685267]
  ベータ分布を用いたアノテーションのコンセンサスをモデル化する分散対応フレームワークを提案する。 モデルでは、単一の影響値を予測する代わりに、アノテーション分布の平均と標準偏差を推定する。 その結果、このモデルは感情知覚の中心的な傾向だけでなく、アノテータ応答における変動性、非対称性、不確実性も捉えている。
  論文  参考訳（メタデータ） (2026-04-08T15:26:56Z)
• FIVA: Federated Inverse Variance Averaging for Universal CT Segmentation with Uncertainty Estimation [4.544160712377809]
  本研究は,多様な腹部CTデータセットにまたがる普遍的なセグメンテーションを実現するための,新しいフェデレーション学習手法を提案する。 提案手法はモデル重みから不確かさを伝搬することにより予測の不確かさを定量化する。 実験により, フェデレーションアグリゲーションと不確実性重み付け推論の品質向上に本手法の有効性が示された。
  論文  参考訳（メタデータ） (2025-08-08T11:34:01Z)
• On Equivariant Model Selection through the Lens of Uncertainty [49.137341292207]
  等変モデルは、予測性能を改善するために対称性に関する事前の知識を活用するが、不特定なアーキテクチャ上の制約がそれを傷つける可能性がある。 我々は、頻繁な(コンフォーマル予測による)、ベイジアン(限界確率による)、およびキャリブレーションに基づく評価による誤りに基づく評価の比較を行った。 不確実性指標は一般的に予測性能と一致するが,ベイズ模型の証拠は矛盾する。
  論文  参考訳（メタデータ） (2025-06-23T13:35:06Z)
• Evaluating AI systems under uncertain ground truth: a case study in dermatology [43.8328264420381]
  不確実性を無視することは、モデル性能の過度に楽観的な推定につながることを示す。 皮膚状態の分類では,データセットの大部分が重大な真理不確実性を示すことが判明した。
  論文  参考訳（メタデータ） (2023-07-05T10:33:45Z)
• A Data-Driven Measure of Relative Uncertainty for Misclassification Detection [25.947610541430013]
  誤分類検出のための観測者に対して,不確実性に関するデータ駆動測度を導入する。 ソフト予測の分布パターンを学習することにより,不確実性を測定することができる。 複数の画像分類タスクに対する経験的改善を示し、最先端の誤分類検出方法より優れていることを示す。
  論文  参考訳（メタデータ） (2023-06-02T17:32:03Z)
• Variational Classification [51.2541371924591]
  我々は,変分オートエンコーダの訓練に用いるエビデンスローバウンド(ELBO)に類似した,モデルの訓練を目的とした変分目的を導出する。 軟質マックス層への入力を潜伏変数のサンプルとして扱うことで, 抽象化された視点から, 潜在的な矛盾が明らかとなった。 我々は、標準ソフトマックス層に見られる暗黙の仮定の代わりに、選択された潜在分布を誘導する。
  論文  参考訳（メタデータ） (2023-05-17T17:47:19Z)
• Benchmarking common uncertainty estimation methods with histopathological images under domain shift and label noise [62.997667081978825]
  リスクの高い環境では、深層学習モデルは不確実性を判断し、誤分類の可能性がかなり高い場合に入力を拒否しなければなりません。 我々は,全スライド画像の分類において,最もよく使われている不確実性と頑健さの厳密な評価を行う。 我々は一般的に,手法のアンサンブルが,ドメインシフトやラベルノイズに対するロバスト性の向上とともに,より良い不確実性評価につながることを観察する。
  論文  参考訳（メタデータ） (2023-01-03T11:34:36Z)
• The Implicit Delta Method [61.36121543728134]
  本稿では,不確実性のトレーニング損失を無限に正規化することで機能する,暗黙のデルタ法を提案する。 有限差分により無限小変化が近似された場合でも, 正則化による評価の変化は評価推定器の分散に一定であることを示す。
  論文  参考訳（メタデータ） (2022-11-11T19:34:17Z)
• Exploiting Sample Uncertainty for Domain Adaptive Person Re-Identification [137.9939571408506]
  各サンプルに割り当てられた擬似ラベルの信頼性を推定・活用し,ノイズラベルの影響を緩和する。 不確実性に基づく最適化は大幅な改善をもたらし、ベンチマークデータセットにおける最先端のパフォーマンスを達成します。
  論文  参考訳（メタデータ） (2020-12-16T04:09:04Z)

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。