論文の概要: Quantifying Volumetric Risk: Class-Aware Asymmetric Weighted Conformal Prediction for 3D Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2610.09392v1
• Date: Wed, 07 Oct 2026 03:51:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 21:58:22.709441
• Title: Quantifying Volumetric Risk: Class-Aware Asymmetric Weighted Conformal Prediction for 3D Medical Image Segmentation
• Title（参考訳）: ボリュームリスクの定量化:3次元医用画像分割のためのクラスアウェア非対称重み付きコンフォーマル予測
• Abstract要約: クラス認識型非対称重み付き等角予測(CA-WCP)を提案する。 いずれのクラスにおいても,CA-WCPが重み付き交換性限界カバレッジを保証していることを示す。 我々はこの間隔をマルチモーダルな大規模言語モデルのための構造化プロンプトにエンコードし、不確実性条件のラジオグラフィーレポートを生成する。
• 参考スコア（独自算出の注目度）: 7.597010311037805
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Reliable volumetric segmentation is critical for clinical diagnostics, yet foundation models such as MedSAM remain deterministic and lack calibrated uncertainty under distribution shift. Existing conformal prediction methods offer statistical guarantees but are frequently applied in 2D and assume symmetric error distributions, so they do not capture the class-specific biases that arise in 3D multi-class segmentation. We propose Class-Aware Asymmetric Weighted Conformal Prediction (CA-WCP), which combines latent-space density-ratio weighting for covariate shift with directional quantiles for the lower and upper volume bounds, and scales each bound by a class-specific asymmetry factor derived from validation-set false-positive and false-negative rates. We prove that CA-WCP retains the weighted-exchangeability marginal coverage guarantee for every class, and we evaluate it on 3D brain tumor segmentation (BraTS 2020) and on a synthetic multi-organ CT benchmark constructed under covariate shift. On both benchmarks the 95\% Clopper--Pearson interval for the observed coverage of CA-WCP contains the nominal 90\% level for every semantic class, while interval width is reduced by 8--14\% relative to symmetric weighted conformal prediction. We further encode the calibrated intervals into structured prompts for a multimodal large language model to produce uncertainty-conditioned radiology reports, linking distribution-shift-aware uncertainty quantification to interpretable clinical communication.
• Abstract（参考訳）: 信頼性の高いボリュームセグメンテーションは臨床診断に重要であるが、MedSAMのような基礎モデルは決定論的であり、分布シフト下での校正の不確実性を欠いている。 既存の共形予測法は統計的な保証を提供するが、2Dで頻繁に適用され、対称的な誤差分布を仮定するので、3Dのマルチクラスセグメンテーションで生じるクラス固有のバイアスを捉えない。 そこで我々は,共変量シフトの潜時空間密度比重み付けと,下および上ボリューム境界の方向量子化を組み合わせ,検証セットの偽陽性および偽陰性率から導かれるクラス固有非対称性因子によって各境界をスケールする,CA-WCP(Class-Aware Asymmetric Weighted Conformal Prediction)を提案する。 以上の結果から,CA-WCPは各クラスにおいて重み付き交換性限界カバレッジを保ち,3次元脳腫瘍セグメンテーション(BraTS 2020)および共変量シフト下で構築された合成多臓器CTベンチマークで評価した。 両ベンチマークにおいて、CA-WCPの観測対象範囲に対する95%クロッパー-ピアソン区間は、各意味クラスに対して90-%という名目レベルを含む一方、間隔幅は対称重み付き共形予測に対して8-14-%削減される。 我々はさらに、校正間隔を構造化プロンプトにエンコードし、多モーダルな大言語モデルを用いて不確実性条件のラジオグラフィーレポートを作成し、分布シフト認識の不確実性定量化と解釈可能な臨床コミュニケーションをリンクする。

関連論文リスト

• Calibrated Hybrid CNN-Transformer for Retinal OCT Classification [1.0817607291351121]
  網膜光コヒーレンストモグラフィー(OCT)分類の深部モデルでは高い精度が報告されるが、信頼性が信頼できるかどうかを報告することは稀である。 我々は、ハイブリッド畳み込みトランスフォーマーエンコーダと、グラディショナルブートスティング(XGBoost)分類ヘッドと、信頼性キャリブレーション、アウト・オブ・ディストリビューション(OOD)拒絶、予測当たりの不確実性フラグングの3段階の臨床安全層をペアリングした。 4級OCT(84,495スキャン)では、キャリブレーション誤差を12倍に削減しながら95.4%の精度に達する(ECE = 0.0024)。
  論文  参考訳（メタデータ） (2026-07-09T23:23:56Z)
• CADRE: Stable, Parameter Efficient Adaptation of Medical Vision Language Models with Bounded Forgetting and Prior Drift [0.10742675209112622]
  新しい画像モダリティのためのデプロイモデルの更新は、患者を傷つける2つの方法で静かに失敗する可能性がある。 本研究は,これらの2つの特性によるパラメータ効率の連続的適応について,リーダーボードの精度を忘れることなく検討する。 CADRE は低ランク適応 (LoRA) とオンラインの自己スケーリング,類似性を考慮した弾性重み付けという用語を組み合わせたフリーズバックボーンフレームワークである。
  論文  参考訳（メタデータ） (2026-06-22T15:34:32Z)
• An Uncertainty Estimation Framework for Dose Accumulation in Adaptive Radiotherapy: Application to CBCT-Guided Radiotherapy for Cervical Cancer [0.6532395471196993]
  oARTは、毎日の計画順応を可能にするが、累積線量推定は限られている。 本稿では,不確実性を考慮した線量蓄積フレームワークであるIMPACT-DoseAccを,意味的特徴駆動画像解析のためのIMPACT内に導入する。 9例の頸部癌患者を毎日CBCT由来の仮想CTを用いて振り返って分析した。
  論文  参考訳（メタデータ） (2026-06-09T15:52:58Z)
• A Kernel Nonconformity Score for Multivariate Conformal Prediction [6.979669550149173]
  我々は,この幾何学に明示的に適応する予測領域を生成する多変量カーネルスコア(MKS)を導入する。 MKSは、カーネル密度推定と共分散重み付き距離を補間する異方性最大平均離散(MMD)に分解することができる。 回帰タスクでは、MKSは楕円形のベースラインと比較して予測領域の体積を著しく減らし、高い次元とより厳密なカバレッジレベルにおいて大きな利得を保っている。
  論文  参考訳（メタデータ） (2026-04-23T12:19:21Z)
• KMM-CP: Practical Conformal Prediction under Covariate Shift via Selective Kernel Mean Matching [19.67518257951341]
  Conformal Prediction (CP) は、交換可能性の下で有限サンプルカバレッジを保証する。 Kernel Mean Matching(KMM)に基づく共形予測フレームワークKMM-CPを提案する。 現実的な分布シフトを伴う分子特性予測ベンチマークの実験により、KMM-CPは既存のアプローチと比較して、カバレッジギャップを50%以上削減することが示された。
  論文  参考訳（メタデータ） (2026-03-27T13:44:42Z)
• LATA: Laplacian-Assisted Transductive Adaptation for Conformal Uncertainty in Medical VLMs [61.06744611795341]
  医用視覚言語モデル(VLM)は医用画像の強力なゼロショット認識器である。 本研究では,ラプラシアン支援トランスダクティブ・アダプティブ・アダプティブ・アダプティブ・アダプティブ・アダプティブ・アダプティブ・アダプティブ(texttttextbfLATA,ラプラシアン支援トランスダクティブ・アダプティブ・アダプティブ・アダプティブ)を提案する。 texttttextbfLATAは交換性を損なうことなくゼロショット予測をシャープにする。
  論文  参考訳（メタデータ） (2026-02-19T16:45:38Z)
• Conformal Lesion Segmentation for 3D Medical Images [82.92159832699583]
  本稿では,データ駆動しきい値の校正をコンフォーマル化することで,テスト時間FNRが目標許容値以下であることを保証する,リスク制約付きフレームワークを提案する。 5つのバックボーンモデルにまたがる6つの3D-LSデータセット上でのCLSの統計的健全性と予測性能を検証し,臨床実践におけるリスク認識セグメンテーションの展開に関する実用的な知見を得た。
  論文  参考訳（メタデータ） (2025-10-19T08:21:00Z)
• 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)
• Distribution-free binary classification: prediction sets, confidence intervals and calibration [106.50279469344937]
  分布自由条件における二項分類のための不確実性定量化(キャリブレーション、信頼区間、予測セット)の3つの概念について検討する。 固定幅と一様質量の両双対の双対確率に対する信頼区間を導出する。 我々の「三脚」定理の結果として、双有理確率に対するこれらの信頼区間は分布自由キャリブレーションに繋がる。
  論文  参考訳（メタデータ） (2020-06-18T14:17:29Z)

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。