論文の概要: Improving Calibration of Black-Box Radiology AI Using Test-Time Augmentation

• arxiv url: http://arxiv.org/abs/2609.29931v2
• Date: Sat, 26 Sep 2026 13:28:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-29 21:31:51.804533
• Title: Improving Calibration of Black-Box Radiology AI Using Test-Time Augmentation
• Title（参考訳）: テスト時間拡張を用いたブラックボックスラジオロジーAIの校正改善
• Abstract要約: 臨床応用試験時間拡張(TTA)を用いたブラックボックスモデルの校正改善のためのモデル非依存フレームワークを提案する。 本フレームワークでは,幾何学的摂動と物理に着想を得た3次元CT摂動を適用し,モデル内部やオリジナルトレーニングデータにアクセスせずに確率レベルの集約戦略を学習する。
• 参考スコア（独自算出の注目度）: 2.4725807028479614
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Radiology AI systems increasingly inform clinical decisions such as triage, follow-up imaging, and treatment planning. For these decisions to be made safely, model outputs must be well calibrated, meaning predicted probabilities accurately reflect true risk. Many standard techniques for improving calibration, such as MC Dropout and Deep Ensembles, require access to model parameters or retraining. However, proprietary clinical AI systems operate as black boxes, preventing access to the model's internals. To that end, we propose a model-agnostic framework for improving calibration of black-box models using clinically grounded test-time augmentation (TTA). Our framework applies geometric and physics-inspired 3D CT perturbations and learns probability-level aggregation strategies without access to model internals or the original training data. Across pulmonary embolism and intracranial hemorrhage detection tasks, DualTTA achieved the strongest overall calibration among TTA methods, reducing the Expected Calibration Error by 54% (0.239 -> 0.109) and 43% (0.051 -> 0.029), respectively, while requiring only input-output access. Additionally, DualTTA outperformed uncertainty estimation techniques that require access to model internals, such as Temperature Scaling, MC Dropout, and Deep Ensembles, in most calibration metrics. These results demonstrate that learned TTA aggregation can improve the calibration of clinical AI systems, providing a practical approach for improving the reliability of black-box medical AI.
• Abstract（参考訳）: 放射線医学のAIシステムは、トリアージ、フォローアップイメージング、治療計画などの臨床的決定をますます通知する。 これらの決定を安全に行うためには、モデル出力を適切に調整する必要がある。 MC DropoutやDeep Ensemblesのようなキャリブレーションを改善する標準的な技術は、モデルパラメータへのアクセスや再トレーニングを必要とする。 しかし、プロプライエタリなAIシステムはブラックボックスとして機能し、モデルの内部へのアクセスを妨げている。 そこで本研究では,臨床応用試験時間拡張(TTA)を用いてブラックボックスモデルの校正を改善するためのモデル非依存フレームワークを提案する。 本フレームワークでは,幾何学的および物理的な3次元CT摂動を応用し,モデル内部やトレーニングデータにアクセスせずに,確率レベルのアグリゲーション戦略を学習する。 肺塞栓症および頭蓋内出血検出タスク全体で,DualTTAはTTA法で最多の校正を達成し,期待校正誤差を54%(0.239～>0.109),43%(0.051～>0.029)減らした。 さらに、DualTTAは、ほとんどのキャリブレーションメトリクスにおいて、温度スケーリング、MCDropout、Deep Ensemblesといったモデル内部へのアクセスを必要とする不確実性推定技術よりも優れていた。 これらの結果は、学習したTTA集約が臨床AIシステムの校正を改善することを示し、ブラックボックス医療AIの信頼性を向上させるための実践的なアプローチを提供する。

関連論文リスト

• Uncertainty-driven training for three-dimensional calibrated lung nodule classification [41.99844472131922]
  モンテカルロ・ドロップアウト(MCD)とエビデンシャル・ディープ・ラーニング(EDL)の2つの不確実性定量化(UQ)手法の検討 本稿では,3次元CT肺結節分類のための不確実性駆動型トレーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-09-17T15:25:07Z)
• Neural Network Surrogate and Projected Gradient Descent for Fast and Reliable Finite Element Model Calibration: a Case Study on an Intervertebral Disc [9.456474817418703]
  そこで本研究では,L4-L5 IVD FEモデルを用いた新しい,効率的かつ効果的なキャリブレーション手法を提案する。 NNサロゲートは、シミュレーション結果を高精度に予測し、他の機械学習モデルより優れ、計算コストを大幅に削減する。 このような効率性は、より複雑なFEモデルを適用する方法となり、IVDを超えて拡張される可能性がある。
  論文  参考訳（メタデータ） (2024-08-12T11:39:21Z)
• Towards a clinically accessible radiology foundation model: open-access and lightweight, with automated evaluation [113.5002649181103]
  オープンソースの小型マルチモーダルモデル(SMM)を訓練し、放射線学における未測定臨床ニーズに対する能力ギャップを埋める。 トレーニングのために,697万以上の画像テキストペアからなる大規模なデータセットを組み立てる。 評価のために,GPT-4に基づく実測値CheXpromptを提案する。 LlaVA-Radの推論は高速で、単一のV100 GPU上でプライベート設定で実行できる。
  論文  参考訳（メタデータ） (2024-03-12T18:12:02Z)
• Uncertainty Aware Training to Improve Deep Learning Model Calibration for Classification of Cardiac MR Images [3.9402047771122812]
  予測の不確実性の定量化は、より信頼できるAIモデルを開発する方法の1つとして特定されている。 我々は,2つの最先端アプローチと比較して,新しい不確実性を考慮した3つのトレーニング戦略を評価する。
  論文  参考訳（メタデータ） (2023-08-29T09:19:49Z)
• Modular Conformal Calibration [80.33410096908872]
  回帰における再校正のためのアルゴリズムを多種多様なクラスで導入する。 このフレームワークは、任意の回帰モデルをキャリブレーションされた確率モデルに変換することを可能にする。 我々は17の回帰データセットに対するMCCの実証的研究を行った。
  論文  参考訳（メタデータ） (2022-06-23T03:25:23Z)
• BSM loss: A superior way in modeling aleatory uncertainty of fine_grained classification [0.0]
  混合データ拡張戦略を用いた改良型ブートストラップ損失(BS損失)関数を提案する。 実験の結果,Mixup(BSM)モデルによるBS損失は,標準データ拡張と比較して予測誤差(ECE)を半減できることがわかった。 BSMモデルはドメイン外のデータのセマンティックな距離を知覚することができ、実際の臨床実践において高い可能性を示す。
  論文  参考訳（メタデータ） (2022-06-09T13:06:51Z)
• Identifying and mitigating bias in algorithms used to manage patients in a pandemic [4.756860520861679]
  現実のデータセットを使用して、新型コロナウイルスの死亡率、人工呼吸器の状態、入院状態を予測するために、ロジスティック回帰モデルが作成された。 モデルではバイアス試験の回数が57%減少した。 キャリブレーション後, 予測モデルの平均感度は0.527から0.955に増加した。
  論文  参考訳（メタデータ） (2021-10-30T21:10:56Z)
• ECG-DelNet: Delineation of Ambulatory Electrocardiograms with Mixed Quality Labeling Using Neural Networks [69.25956542388653]
  ディープラーニング(DL)アルゴリズムは、学術的、産業的にも重くなっている。 セグメンテーションフレームワークにECGの検出とデライン化を組み込むことにより、低解釈タスクにDLをうまく適用できることを実証する。 このモデルは、PhyloNetのQTデータベースを使用して、105個の増幅ECG記録から訓練された。
  論文  参考訳（メタデータ） (2020-05-11T16:29:12Z)

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。