論文の概要: Impact of Data Augmentation on Confidence Calibration in Melanoma Classification

• arxiv url: http://arxiv.org/abs/2610.06146v1
• Date: Mon, 05 Oct 2026 11:18:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-09 18:24:14.925976
• Title: Impact of Data Augmentation on Confidence Calibration in Melanoma Classification
• Title（参考訳）: メラノーマ分類におけるデータの増大が信頼性校正に及ぼす影響
• Abstract要約: 予測の不確かさの正確な定量化やモデル校正の改善は、医用画像分類において重要な役割を果たす。 データセットのサイズを合成的に増加させる手法としてのデータ拡張は、不均衡なデータセットでトレーニングされたモデルの性能を向上させることが証明されている。 我々は,SIIM-ISIC 2020メラノーマ分類データセットを用いて,データ拡張の有無とデータ拡張の有無の2つの条件下でニューラルネットワークをトレーニングし,両者のシナリオにおけるAUCと予測校正誤差(ECE)の違いを比較した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurately quantifying the predictive uncertainty or improving model calibration plays an important role in medical image classification, in particular in melanoma diagnosis, where accurate uncertainty quantification can have significant implications for patient care. One of the methods for calibration improvement is data augmentation. In addition, data augmentation as a method for synthetically increasing the size of the dataset has been proven to improve the performance of models trained on imbalanced datasets. However, the impact of data augmentation, as a transformation of a part of the original data, on calibration of models trained on imbalanced datasets, in particular in melanoma classification is under-explored. We train neural networks on SIIM-ISIC 2020 melanoma classification dataset under two conditions: with and without data augmentation, and compare the differences in AUC and expected calibration error (ECE) in both scenarios. Our results shows improvements in uncertainty calibration using different augmentation methods.
• Abstract（参考訳）: 予測不確かさの正確な定量化やモデル校正の改善は,特に悪性黒色腫の診断において重要な役割を担っている。 キャリブレーション改善の方法の1つは、データ拡張である。 さらに、データセットのサイズを合成的に増加させる方法としてのデータ拡張は、不均衡なデータセットでトレーニングされたモデルの性能を向上させることが証明されている。 しかし、元のデータの一部を変換したデータ拡張が、不均衡なデータセットで訓練されたモデルのキャリブレーションに与える影響、特にメラノーマの分類では未探索である。 我々は,SIIM-ISIC 2020メラノーマ分類データセットを用いて,データ拡張の有無とデータ拡張の有無の2つの条件下でニューラルネットワークをトレーニングし,両者のシナリオにおけるAUCと予測校正誤差(ECE)の違いを比較した。 以上の結果から,異なる拡張手法による不確実性校正の改善が示された。

関連論文リスト

• Multimodal Skin Lesion Classification with Swin Transformer and Clinical Metadata Fusion [0.0]
  本稿では,Swin Transformerをベースとした画像特徴と構造化された臨床メタデータを組み合わせて診断性能を向上させるマルチモーダル分類フレームワークを提案する。 提案したモデルでは、テスト精度92.55%、マクロF1スコア91.33%を達成し、マイノリティクラスで高い性能を実現している。
  論文  参考訳（メタデータ） (2026-08-04T15:16:41Z)
• Tipping the Balance: Impact of Class Imbalance Correction on the Performance of Clinical Risk Prediction Models [2.2534253247996214]
  クラス不均衡補正技術は、稀な結果を伴う設定におけるモデル性能を改善するために一般的に用いられる。 本研究は,リアルタイム臨床予測タスクの判別と校正に広く用いられているリサンプリング戦略が及ぼす影響について検討した。
  論文  参考訳（メタデータ） (2026-02-27T12:29:16Z)
• Uncertainty quantification with approximate variational learning for wearable photoplethysmography prediction tasks [0.8312466807725922]
  Photoplethysmographyは、血液の相対的な変化に関する情報を符号化する。 ディープネットワークは、ウェアラブル測定デバイスから取得した大量のデータを扱うのに適している。
  論文  参考訳（メタデータ） (2025-05-16T16:21:45Z)
• Development and Comparative Analysis of Machine Learning Models for Hypoxemia Severity Triage in CBRNE Emergency Scenarios Using Physiological and Demographic Data from Medical-Grade Devices [0.0]
  グラディエントブースティングモデル(GBM)は、トレーニング速度、解釈可能性、信頼性の点で、シーケンシャルモデルを上回った。 タイムリーな介入のために5分間の予測ウィンドウが選択された。 本研究は、トリアージを改善し、アラーム疲労を軽減するMLの可能性を強調した。
  論文  参考訳（メタデータ） (2024-10-30T23:24:28Z)
• Few-shot learning for COVID-19 Chest X-Ray Classification with Imbalanced Data: An Inter vs. Intra Domain Study [49.5374512525016]
  医療画像データセットは、コンピュータ支援診断、治療計画、医学研究に使用される訓練モデルに不可欠である。 データ分散のばらつき、データの不足、ジェネリックイメージから事前トレーニングされたモデルを使用する場合の転送学習の問題などである。 本稿では,データ不足と分散不均衡の影響を軽減するために,一連の手法を統合したシームズニューラルネットワークに基づく手法を提案する。
  論文  参考訳（メタデータ） (2024-01-18T16:59:27Z)
• The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease detection [51.697248252191265]
  この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。 我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。 このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
  論文  参考訳（メタデータ） (2023-09-13T10:40:41Z)
• 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)
• 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)
• Unlabelled Data Improves Bayesian Uncertainty Calibration under Covariate Shift [100.52588638477862]
  後続正則化に基づく近似ベイズ推定法を開発した。 前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
  論文  参考訳（メタデータ） (2020-06-26T13:50:19Z)

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。