論文の概要: Learning to Defer with Guidance on Real World Medical Data

• arxiv url: http://arxiv.org/abs/2609.26384v1
• Date: Tue, 22 Sep 2026 13:26:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-23 18:04:04.389722
• Title: Learning to Defer with Guidance on Real World Medical Data
• Title（参考訳）: リアル・ワールド・メディカル・データを用いたディフェンダーの指導
• Abstract要約: Learning to Defer (L2D)は、自律的な予測と人間の専門家の間でケースを選択的にルーティングすることで、この問題に対処する。 トレーニング可能なルーティングモデルやリジェクタモデルからAI予測モデルを固定して分離する2段階L2Dの予測器・リジェクタの定式化を評価する。 我々は、L2D with Guidanceという新しいセットアップを導入し、意思決定スペースを3つの選択肢に拡張した。
• 参考スコア（独自算出の注目度）: 1.1596928854895725
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Medical image interpretation is high-volume and time-consuming, and while AI interpretation can reduce workload, fully autonomous deployment carries potential safety concerns and low specificity may in practice lead to increased clinician workload. Learning to Defer (L2D) addresses this by selectively routing cases between autonomous prediction and human experts by learning from input features and AI model and human performance. While theoretical guarantees have been proven for L2D, its performance has not been validated on real-world medical datasets with human reader annotations. We evaluate the predictor-rejector formulation of two-stage L2D, where the AI predictor model is fixed and separate from the trainable routing or rejector model, on Collab-CXR, a multilabel chest X-ray dataset with multiple human annotations per case. This is the first work to look at L2D in the context of real-world medical imaging data with human annotations. We further introduce a new setup, L2D with Guidance, where the decision space is extended to three choices: predict autonomously, defer to a human expert, or defer to a human expert and provide AI guidance. We compare multiple rejector architectures and loss functions, and different input feature availabilities. This is reproduced on two larger datasets, VinDr-CXR and CheXpert. Our results show that two-stage L2D with Guidance outperforms classic two-stage learning to defer, as well as human-alone, AI-alone and AI-guided human baselines. Notably, this performance is achieved with simpler loss functions compared to formally defined L2D surrogate loss functions in current literature.
• Abstract（参考訳）: 医療画像の解釈は高ボリュームで時間を要するため、AIの解釈は作業負荷を削減できるが、完全な自律的なデプロイメントは潜在的な安全上の懸念を持ち、実際には特異性が低いため、クリニックの作業負荷が増加する可能性がある。 Learning to Defer(L2D)は、入力機能やAIモデル、人間のパフォーマンスから学習することで、自律的な予測と人間の専門家の間でケースを選択的にルーティングすることで、この問題に対処する。 理論的保証はL2Dで証明されているが、その性能は人間の読み取りアノテーションを用いた実世界の医療データセットでは検証されていない。 マルチラベル胸部X線データセットCollab-CXRを用いて,AI予測モデルがトレーニング可能なルーティングモデルやリジェクタモデルから分離される2段階L2Dの予測器・リジェクタの定式化を評価する。 これは、人間のアノテーションを用いた実世界の医療画像データの文脈でL2Dに注目する最初の研究である。 我々はさらに、L2D with Guidanceという新たなセットアップを導入し、意思決定スペースを3つの選択肢に拡張した。 我々は複数のリジェクタアーキテクチャと損失関数を比較し、異なる入力特徴の有効性を比較した。 これは、VinDr-CXRとCheXpertという2つの大きなデータセットで再現される。 以上の結果から,ガイダンスを用いた2段階L2Dは,従来の2段階学習よりも優れており,AI,AI,AIによる指導によるベースラインも優れていた。 特に、この性能は、現在の文献で公式に定義されたL2Dサロゲート損失関数よりも単純な損失関数で達成されている。

関連論文リスト

• Parcel2Progression: An Anatomy-aware Longitudinal Framework for Alzheimer's Disease Diagnosis [4.651750987298774]
  アルツハイマー病(英語: Alzheimer's disease, AD)は、早期に微妙な病態を呈する縦断過程である。 Parcel2Progression(P2P)は、3Dスキャンをよりリッチな基底表現にトークン化するAtlas-Guided Parcelを使ってこの問題に対処する縦型トランスフォーマーフレームワークである。 このシナジーは,(1) パーセル特異的解釈可能性,(2) 長期解析における計算的トラクタビリティの2つの大きな利点をもたらす。
  論文  参考訳（メタデータ） (2026-08-09T15:06:39Z)
• Fatigue-Aware Learning to Defer via Constrained Optimisation [15.638903162520448]
  遅延の学習は、AIシステムが自律的に行動すべきか、それとも人間の専門家に延期すべきかを判断することで、人間とAIの協力を可能にする。 既存のL2D法は、疲労による劣化に関する確立された知見と矛盾し、静的な人間のパフォーマンスを仮定する。 制約付き最適化を用いた疲労認識学習について提案する。
  論文  参考訳（メタデータ） (2026-04-01T13:48:24Z)
• Emergence of Human to Robot Transfer in Vision-Language-Action Models [88.76648919814771]
  VLA(Vision-Language-action)モデルは、幅広いオープンワールドの一般化を可能にするが、大規模で多様なデータセットを必要とする。 VLAが十分なシーン、タスク、実施状況で事前訓練された後に、人間とロボットの移動が出現することを示す。
  論文  参考訳（メタデータ） (2025-12-27T00:13:11Z)
• Explainable AI for Collaborative Assessment of 2D/3D Registration Quality [50.65650507103078]
  本稿では,2D/3D登録品質検証に特化して訓練された最初の人工知能フレームワークを提案する。 我々の説明可能なAI(XAI)アプローチは、人間のオペレーターに対する情報意思決定を強化することを目的としている。
  論文  参考訳（メタデータ） (2025-07-23T15:28:57Z)
• Closely Interactive Human Reconstruction with Proxemics and Physics-Guided Adaption [64.07607726562841]
  既存の人間再建アプローチは主に、正確なポーズの回復や侵入を避けることに焦点を当てている。 本研究では,モノクロ映像から密に対話的な人間を再構築する作業に取り組む。 本稿では,視覚情報の欠如を補うために,確率的行動や物理からの知識を活用することを提案する。
  論文  参考訳（メタデータ） (2024-04-17T11:55:45Z)
• Social-Transmotion: Promptable Human Trajectory Prediction [65.80068316170613]
  Social-Transmotionは、多種多様な視覚的手がかりを利用して人間の行動を予測する、汎用トランスフォーマーベースのモデルである。 提案手法は,JTA,JRDB,歩行者,道路交通のサイクリスト,ETH-UCYなど,複数のデータセットで検証されている。
  論文  参考訳（メタデータ） (2023-12-26T18:56:49Z)
• FiFAR: A Fraud Detection Dataset for Learning to Defer [9.187694794359498]
  本研究では、銀行口座不正検出データセットであるFiFAR(Financial Fraud Alert Review dataset)を紹介する。 FiFARには、複雑な50人のチームによる予測が含まれている。 我々は,本データセットを用いて,現実的なデータ可用性条件下でのキャパシティを意識したL2D法と拒絶学習手法を開発した。
  論文  参考訳（メタデータ） (2023-12-20T17:36:36Z)
• Interpretable machine learning for time-to-event prediction in medicine and healthcare [7.416913210816592]
  時間依存的な特徴効果とグローバルな特徴重大説明を導入する。 我々は、ポストホックな解釈手法が、滞在期間を予測するAIシステムのバイアスを見つけるのにどのように役立つかを示す。 我々は,がんの生存率を予測性能を超えて評価し,マルチオミクスの特徴群の重要性を考察した。
  論文  参考訳（メタデータ） (2023-03-17T07:53:18Z)
• BiteNet: Bidirectional Temporal Encoder Network to Predict Medical Outcomes [53.163089893876645]
  本稿では,患者の医療旅行におけるコンテキスト依存と時間的関係を捉える,新たな自己注意機構を提案する。 エンド・ツー・エンドの双方向時間エンコーダネットワーク(BiteNet)が患者の旅路の表現を学習する。 実世界のEHRデータセットを用いた2つの教師付き予測と2つの教師なしクラスタリングタスクにおける手法の有効性を評価した。
  論文  参考訳（メタデータ） (2020-09-24T00:42:36Z)

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。