論文の概要: Epistemic Uncertainty-Aware Defect Detection for Quality Control in Medical Device Manufacturing

• arxiv url: http://arxiv.org/abs/2610.09057v1
• Date: Tue, 06 Oct 2026 20:08:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 21:58:22.590276
• Title: Epistemic Uncertainty-Aware Defect Detection for Quality Control in Medical Device Manufacturing
• Title（参考訳）: 医療機器製造における品質管理のためのてんかん不確かさを意識した欠陥検出
• Abstract要約: 我々は、ヘテロジニアス製造と、知識グラフで表されるデバイスレポートデータで動作する機械学習フレームワークを検討する。 決定モデルにおける不確実性に起因する誤差を軽減するために,予測を無視する原則的拒絶戦略を解析する。 我々は,標準合成ベンチマークと実世界の医療機器レポートデータを用いてアプローチを評価する。
• 参考スコア（独自算出の注目度）: 1.62280262753254
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Objective: We investigate whether accounting for epistemic uncertainty can improve the reliability of automated defect detection in medical device manufacturing. Methods: We consider a machine learning framework that operates on heterogeneous manufacturing and device-report data represented with Knowledge Graphs. To mitigate errors arising from uncertainty in the decision model, we analyze a principled rejection strategy to abstain from predictions whose estimated epistemic uncertainty exceeds a specified threshold. We evaluate the approach using standard synthetic benchmarks and real-world medical device report data. Results: The theoretical results establish the validity of the method characterizing the regimes under which it is expected to be effective. Empirically, the rejection strategy enables explicit control of coverage, that is, the proportion of samples for which the model issues predictions, while improving performance on the retained samples. On 266,170 real-world FDA MAUDE device reports, a 10% abstention rate reduces classification error by 48%, and more aggressive rejection (approximately 70% coverage) yields near-perfect accuracy on the retained samples. On standard synthetic manufacturing benchmarks, abstaining on 9% of the decisions, our approach reduces the risk up to 63% compared with the standard no-abstention approach. Conclusions: Abstaining from predictions with high epistemic uncertainty can provide a practical tool for controlling the reliability of machine learning-based defect detection, especially in high-stakes medical device manufacturing applications. Significance: Uncertainty-aware defect detection may support safer and more reliable quality assurance in medical device manufacturing by identifying cases that require additional inspection rather than issuing potentially harmful predictions.
• Abstract（参考訳）: 目的: 医療機器製造において, 疫学的不確実性を考慮した検査が自動欠陥検出の信頼性を向上させるか否かを検討する。 方法: ヘテロジニアス製造および知識グラフで表されるデバイスレポートデータで動作する機械学習フレームワークを検討する。 決定モデルにおける不確実性に起因する誤差を軽減するため、推定されたてんかん不確実性が所定の閾値を超えた予測を棄却するための原則的拒絶戦略を解析する。 我々は,標準合成ベンチマークと実世界の医療機器レポートデータを用いてアプローチを評価する。 結果: 理論的結果は, 有効と期待される体制を特徴づける手法の有効性を確定する。 実証的に、拒否戦略は、モデルが予測を発行するサンプルの割合を明示的に制御し、保持されたサンプルの性能を向上させる。 266,170件のFDAMAUDEの報告では、10%の禁忌率は分類ミスを48%減らし、より攻撃的な拒絶(約70%のカバレッジ)は保持されたサンプルにほぼ完全な精度をもたらす。 標準の合成製造ベンチマークでは、9%の判定を棄却し、標準の非許容アプローチと比較して最大63%のリスクを減らした。 結論: てんかんの不確実性の高い予測から得られないことは、特に高用量医療機器製造アプリケーションにおいて、機械学習による欠陥検出の信頼性を制御するための実用的なツールを提供することができる。 意義:不確実性認識欠陥検出は、潜在的に有害な予測を発行するのではなく、追加検査を必要とする事例を特定することにより、医療機器製造における安全で信頼性の高い品質保証をサポートする可能性がある。

関連論文リスト

• Calibrated Bayesian Deep Learning for Explainable Decision Support Systems Based on Medical Imaging [6.826979426009301]
  モデルが予測精度と相関する方法で不確実性を定量化し、臨床医がさらなるレビューのために信頼できないアウトプットを特定できることが不可欠である。 本稿では,ベイズ深層学習に基づく一般化可能な確率的最適化フレームワークを提案する。 特に、信頼性・不確実性境界損失(CUB-Loss)が新しく導入され、高い精度の誤差と低い精度の正確な予測に罰則が課せられる。 提案手法は, 肺炎の自動スクリーニング, 糖尿病性網膜症検出, 皮膚病変の同定という, 3つの異なる医用画像処理課題に対して検証された。
  論文  参考訳（メタデータ） (2026-02-12T14:03:41Z)
• Enhancing Safety in Diabetic Retinopathy Detection: Uncertainty-Aware Deep Learning Models with Rejection Capabilities [0.0]
  糖尿病網膜症(DR)は視覚障害の主要な原因である。 深層学習モデルは網膜画像からDRを特定することに成功している。 本稿では,不確実性を考慮したディープラーニングモデルにおいて,低信頼度予測を拒否する拒否機構を含む代替手法について検討する。
  論文  参考訳（メタデータ） (2025-09-26T01:47:43Z)
• Calibrated Prediction Set in Fault Detection with Risk Guarantees via Significance Tests [3.500936878570599]
  本稿では,形式的リスク保証を提供するために,コンフォメーション予測フレームワークと重要度テストを統合した新しい故障検出手法を提案する。 提案手法は,名目レベル以上の経験的カバレッジ率(1-alpha$)を一貫して達成する。 その結果、ユーザ定義のリスクレベル(alpha$)と効率の間のコントロール可能なトレードオフが明らかとなり、より高いリスク耐性が平均予測セットのサイズを小さくする。
  論文  参考訳（メタデータ） (2025-08-02T05:49:02Z)
• Conformal Segmentation in Industrial Surface Defect Detection with Statistical Guarantees [2.0257616108612373]
  工業環境では、鋼の表面欠陥はサービス寿命を著しく損なうことができ、潜在的な安全リスクを高めることができる。 従来の欠陥検出手法は主に手動検査に依存しており、これは低効率と高コストに悩まされている。 ユーザ定義のリスクレベルに基づいて統計的に厳密なしきい値を作成し、テスト画像の高確率欠陥画素を同定する。 種々のキャリブレーションとテストの比率で予測されるテストセット誤差率に対する頑健かつ効率的な制御を実証する。
  論文  参考訳（メタデータ） (2025-04-24T16:33:56Z)
• Conservative Prediction via Data-Driven Confidence Minimization [70.93946578046003]
  機械学習の安全性クリティカルな応用においては、モデルが保守的であることが望ましいことが多い。 本研究では,不確実性データセットに対する信頼性を最小化するデータ駆動信頼性最小化フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-06-08T07:05:36Z)
• 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)
• Improving Trustworthiness of AI Disease Severity Rating in Medical Imaging with Ordinal Conformal Prediction Sets [0.7734726150561088]
  統計的に厳密な不確実性定量化の欠如は、AI結果の信頼を損なう重要な要因である。 分布自由不確実性定量化の最近の進歩は、これらの問題に対する実用的な解決策である。 本稿では, 正しい狭窄の重症度を含むことが保証される順序予測セットを形成する手法を実証する。
  論文  参考訳（メタデータ） (2022-07-05T18:01:20Z)
• Bayesian autoencoders with uncertainty quantification: Towards trustworthy anomaly detection [78.24964622317634]
  本研究では, ベイズオートエンコーダ (BAEs) の定式化により, 全体の異常不確かさを定量化する。 不確実性の質を評価するために,不確実性の予測を拒否するオプションを追加して,異常を分類する作業を検討する。 本実験は,BAEと総異常不確かさが,ベンチマークデータセットと製造用実データセットのセットに与える影響を実証するものである。
  論文  参考訳（メタデータ） (2022-02-25T12:20:04Z)
• UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced Data [81.00385374948125]
  我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。 UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。 非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。 UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
  論文  参考訳（メタデータ） (2020-10-22T02:28:11Z)

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。