論文の概要: Beyond Discrimination: Evaluating Probability Calibration in Radiomics-Image Fusion for Renal Cell Carcinoma Classification

• arxiv url: http://arxiv.org/abs/2610.14151v1
• Date: Fri, 09 Oct 2026 15:50:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.01583
• Title: Beyond Discrimination: Evaluating Probability Calibration in Radiomics-Image Fusion for Renal Cell Carcinoma Classification
• Title（参考訳）: 放射線照射による腎細胞癌鑑別における可視性校正の評価
• Abstract要約: 4つの画像モデルファミリーに放射能を加えることで、識別に加えて確率的性能が向上した。 提案する確率平均アンサンブルモデルは,全てのアーキテクチャにおいて,識別と校正を同時に改善する。
• 参考スコア（独自算出の注目度）: 1.5817693397461703
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Reliable probability estimates are important for the clinical interpretation of machine-learning classifiers, yet radiomics--image fusion models for renal cell carcinoma (RCC) are commonly evaluated primarily by discrimination. Using 396 patients from the KiTS23 dataset, we evaluated whether adding radiomics to four image-model families improved probabilistic performance in addition to discrimination. Seventeen individual models and four probability-average ensembles were assessed using discrimination, probability calibration, and proper scoring measures. Across 12 matched image-only versus fusion comparisons, AUC and AP improved in all 12, while Brier score and negative log likelihood (NLL) improved in 11 of 12 and expected calibration error (ECE) in eight of 12. The 3D MedVAE gated-fusion model achieved the strongest overall individual-model profile. Probability averaging across concatenation, cross-attention, and gated fusion produced favourable point estimates across all five primary metrics relative to image-only models in all four families, although paired-bootstrap support was stronger for Brier score and NLL than for ECE. These findings show that radiomics--image fusion can improve probabilistic prediction quality beyond discrimination, while calibration behaviour varies across image architectures and fusion strategies. We show that our proposed probability-average ensemble models improve discrimination and calibration simultaneously across all architectures in the study.
• Abstract（参考訳）: 信頼性の高い確率推定は、機械学習分類器の臨床的解釈に重要であるが、腎細胞癌(RCC)の核融合モデルは主に識別によって評価される。 KiTS23データセットの396例を用いて, 4つの画像モデルに放射能を付加すると, 判別に加えて確率的性能が向上するか否かを検討した。 17の個人モデルと4つの確率平均アンサンブルを, 識別, 確率校正, 適切な評価基準を用いて評価した。 12点中12点中12点,AUCとAPは全12点で改善し,Brierスコアと負のログ可能性(NLL)は12点中11点で改善し,ECEは12点中8点で改善した。 3D MedVAEのゲート融合モデルは、最も強い個々のモデルプロファイルを達成した。 コンカニオン,クロスアテンション,ゲート融合の確率平均は,全4家系のイメージオンリーモデルと比較して,5つの主要な指標のすべてに対して好意的な点推定を導出したが,BrierスコアとNLLではCEよりもペアリングブートストラップサポートが強かった。 これらの結果から,放射線照射-画像融合は識別を超える確率的予測品質を向上させるが,校正動作は画像アーキテクチャや融合戦略によって異なることが示唆された。 提案する確率平均アンサンブルモデルにより,各アーキテクチャの識別と校正を同時に行うことができることを示す。

関連論文リスト

• Reliability-Aware Hybrid-K Ensemble Selection for Cervical Cytology Classification: Integrating Discrimination, Calibration, and Selective Prediction [3.093890460224435]
  本研究では,マルチクラス頚椎分類のための信頼性を考慮したハイブリッド-Kアンサンブル選択フレームワークを提案する。 9つのディープラーニングアーキテクチャを,固定成層5倍分割と3つの訓練種子を用いて評価した。 Swin-TinyとTinyViT-5Mからなる最後のハイブリッド2アンサンブルは、AURCを43%減らし、NLLを17%減らし、WC-ECEを36%減らした。
  論文  参考訳（メタデータ） (2026-09-01T02:30:41Z)
• CMGL: Confidence-guided Multi-omics Graph Learning for Cancer Subtype Classification [23.394649656767257]
  本稿では,明らかな深層学習を通じて,サンプルごとのモダリティの信頼性を推定するフレームワークCMGLを提案する。 CMGLは最強のベースラインを継続的に上回り、4つのシングルカンサータスクの平均精度を4.03%上回っている。
  論文  参考訳（メタデータ） (2026-04-27T09:02:50Z)
• Intersectional Fairness in Vision-Language Models for Medical Image Disease Classification [25.30858592524878]
  CMAC-MMD(Cross-Modal Alignment Consistency)は、横断的な患者サブグループ間で診断の確実性を標準化するトレーニングフレームワークである。 皮膚科コホートでは, 交叉異常診断ギャップ(正陽性率差$TPR)を0.50から0.26に減らした。 緑内障検診では、TPRが0.41ドルから0.31ドルに値下げされ、より良いAUCが0.72ドル(vs. 0.71ベースライン)となった。
  論文  参考訳（メタデータ） (2025-12-17T09:47:29Z)
• Deep Survival Analysis from Adult and Pediatric Electrocardiograms: A Multi-center Benchmark Study [5.554864650304149]
  心電図(AI-ECG)に応用された人工知能は死亡予測の可能性を示している。 ミナスジェライスのBeth Israel Deaconess(MIMIC-IV)、Telehealth Network of Minas Gerais(Code-15)、Boston Children's Hospital(BCH)の3大コホートにおけるモデル設計選択の評価を行った。 我々は、地平線に基づく分類とディープサバイバル手法を畳み込みネットワークやトランスフォーマーを含むニューラルアーキテクチャと比較し、全原因死亡予測モデルを評価した。
  論文  参考訳（メタデータ） (2024-06-24T14:37:17Z)
• Generative models improve fairness of medical classifiers under distribution shifts [49.10233060774818]
  データから現実的な拡張を自動的に学習することは、生成モデルを用いてラベル効率の良い方法で可能であることを示す。 これらの学習の強化は、モデルをより堅牢で統計的に公平に配布できることを示した。
  論文  参考訳（メタデータ） (2023-04-18T18:15:38Z)
• Ambiguous Medical Image Segmentation using Diffusion Models [60.378180265885945]
  我々は,グループ洞察の分布を学習することで,複数の可算出力を生成する単一拡散モデルに基づくアプローチを提案する。 提案モデルでは,拡散の固有のサンプリングプロセスを利用してセグメンテーションマスクの分布を生成する。 その結果,提案手法は既存の最先端曖昧なセグメンテーションネットワークよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2023-04-10T17:58:22Z)
• Evaluating Probabilistic Classifiers: The Triptych [62.997667081978825]
  本稿では,予測性能の異なる相補的な側面に焦点をあてた診断グラフィックのトリチチを提案し,研究する。 信頼性図は校正に対処し、受信動作特性(ROC)曲線は識別能力を診断し、マーフィー図は全体的な予測性能と価値を視覚化する。
  論文  参考訳（メタデータ） (2023-01-25T19:35:23Z)
• 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)
• Significantly improving zero-shot X-ray pathology classification via fine-tuning pre-trained image-text encoders [50.689585476660554]
  本稿では,正対損失緩和とランダムな文サンプリングを含む新たな微調整手法を提案する。 提案手法は,胸部X線データセットと3つの事前訓練モデル間のゼロショット病理分類を一貫して改善する。
  論文  参考訳（メタデータ） (2022-12-14T06:04:18Z)
• Selective Classification Can Magnify Disparities Across Groups [89.14499988774985]
  選択的分類は平均的精度を向上させることができるが、既存の精度格差を同時に増大させることができる。 禁忌の増大は、一部のグループでのアキュラシーを減少させることもある。 我々は,グループ間で類似のフルカバレッジ精度を実現する分散ロバストモデルを訓練し,選択分類が各グループを均一に改善することを示す。
  論文  参考訳（メタデータ） (2020-10-27T08:51:30Z)

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。