論文の概要: From Canon to Nikon: Camera Domain Shift and Potential Equity Implications in Retinal AI

• arxiv url: http://arxiv.org/abs/2610.29104v1
• Date: Wed, 21 Oct 2026 02:47:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-23 00:40:06.183078
• Title: From Canon to Nikon: Camera Domain Shift and Potential Equity Implications in Retinal AI
• Title（参考訳）: キヤノンからニコン:カメラドメインシフトと網膜AIの可能性
• Abstract要約: 糖尿病網膜症は予防的失明の主要な原因であるが、定期的なスクリーニングは世界中で限られている。 ブラジルの8,524人のコホートでは、ニコンNF5050で取得した網膜画像は、キヤノンCR-2で取得した網膜画像の2倍の画質が得られなかった。 この潜在的なコスト品質のトレードオフは、異種イメージングシステムにまたがるAIシステムの信頼性に関する重要な考慮事項を浮き彫りにする。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Diabetic retinopathy is a leading cause of preventable blindness, yet access to regular screening remains limited worldwide. AI offers a scalable approach, but its performance can be sensitive to image quality and acquisition conditions. In a Brazilian cohort of 8,524 patients, retinal images acquired with the Nikon NF5050 were more than twice as likely to have inadequate image quality compared with those acquired with the Canon CR-2, despite refurbished Canon systems costing more than twice as much as Nikon systems. This potential cost-quality trade-off highlights an important consideration for the reliability of AI systems deployed across heterogeneous imaging systems. Using a frozen pretrained retinal foundation model, we systematically evaluate whether camera-associated performance differences persist across 12 retinal disease classification tasks, four input resolutions, and five downstream classifiers. We find that camera-associated performance differences vary substantially across tasks, and that neither higher input resolution nor classifier choice consistently mitigates cross-camera variation. These findings identify camera platform as a potentially overlooked source of performance variability, with implications for the safety and reliability of retinal AI when deployed across heterogeneous imaging systems. We release all source code, evaluation scripts, and per-task results on GitHub to support reproducible benchmarking.
• Abstract（参考訳）: 糖尿病網膜症は予防的失明の主要な原因であるが、定期的なスクリーニングは世界中で限られている。 AIはスケーラブルなアプローチを提供するが、そのパフォーマンスは画像の品質と取得条件に敏感である。 8,524人のブラジル人のコホートでは、ニコンのNF5050で取得した網膜画像は、ニコンの2倍以上のコストがかかるにもかかわらず、キヤノンのCR-2で取得した網膜画像の2倍の画質が得られなかった。 この潜在的なコスト品質のトレードオフは、異種イメージングシステムにまたがるAIシステムの信頼性に関する重要な考慮事項を浮き彫りにする。 凍結した網膜基底モデルを用いて,12の網膜疾患分類タスク,4つの入力解像度,5つの下流分類器でカメラ関連性能差が持続するか否かを系統的に評価した。 カメラ関連の性能差はタスクによって大きく異なり、高い入力解像度や分類器の選択は、常にカメラ間のばらつきを緩和しない。 これらの結果は、カメラプラットフォームが、不均一なイメージングシステムに展開する際の網膜AIの安全性と信頼性に影響を及ぼす、潜在的に見落としているパフォーマンスの多様性の源であると認識している。 再現可能なベンチマークをサポートするため、すべてのソースコード、評価スクリプト、タスク毎の結果をGitHubでリリースしています。

関連論文リスト

• Interpretable AI plus Handheld, Portable Retinal Photographs: A Low-Cost Glaucoma Screening Solution for West Africa [0.0]
  ナイジェリアの681人の参加者(1,362人の目)を対象にした地域調査データを用いた。 安価なハンドヘルドでポータブルなVolk Viva網膜カメラとCanon CR-2-AFテーブルトップカメラを使用して、ファンダス写真が取得された。
  論文  参考訳（メタデータ） (2026-09-22T05:02:11Z)
• When AI and Experts Agree on Error: Intrinsic Ambiguity in Dermatoscopic Images [37.92086450087161]
  我々は、すべてのCNNアーキテクチャで体系的に誤って分類された画像のサブセットを分離した。 専門の皮膚科医は、これらの課題を対照群と共に評価した。 結果,AIミス分類画像の診断性能は低下した。 両システム障害の原原因は画像品質であった。
  論文  参考訳（メタデータ） (2026-04-01T09:01:43Z)
• Uncertainty Reasoning with Photonic Bayesian Machines [0.07730552279416682]
  本稿では、カオス光源の固有ランダム性を利用して不確実性推論を可能にするフォトニックベイズマシンを提案する。 アナログプロセッサはPyTorchと互換性のある1.28 Tbit/sのデジタルインタフェースを備えており、畳み込み1回あたり37.5 ps以内の確率的畳み込み処理を可能にする。
  論文  参考訳（メタデータ） (2025-12-01T21:30:20Z)
• Design and Validation of a Responsible Artificial Intelligence-based System for the Referral of Diabetic Retinopathy Patients [65.57160385098935]
  糖尿病網膜症の早期発見は、視力喪失のリスクを最大95%減少させる可能性がある。 我々は、AIライフサイクル全体にわたる倫理的原則を取り入れた、DRスクリーニングのための責任あるAIシステムであるRAIS-DRを開発した。 当科におけるRAIS-DRをFDA認可のEyeArtシステムと比較した。
  論文  参考訳（メタデータ） (2025-08-17T21:54:11Z)
• StealthDiffusion: Towards Evading Diffusion Forensic Detection through Diffusion Model [62.25424831998405]
  StealthDiffusionは、AI生成した画像を高品質で受け入れがたい敵の例に修正するフレームワークである。 ホワイトボックスとブラックボックスの設定の両方で有効であり、AI生成した画像を高品質な敵の偽造に変換する。
  論文  参考訳（メタデータ） (2024-08-11T01:22:29Z)
• Log-Likelihood Score Level Fusion for Improved Cross-Sensor Smartphone Periocular Recognition [52.15994166413364]
  我々は、複数のコンパレータを融合させて、異なるスマートフォンの画像を比較する際に、眼周囲の性能を改善する。 我々は線形ロジスティック回帰に基づく確率的融合フレームワークを使用し、融合したスコアはログライクな比率になる傾向にある。 我々のフレームワークは、同じセンサとクロスセンサーのスコア分布が整列され、共通の確率領域にマッピングされるため、異なるデバイスからの信号を処理するためのエレガントでシンプルなソリューションも提供します。
  論文  参考訳（メタデータ） (2023-11-02T13:43:44Z)
• Classification robustness to common optical aberrations [64.08840063305313]
  本稿では,現実的かつ実用的な光ぼけ効果に対するロバスト性を調べるためのベンチマークである OpticsBench を提案する。 ImageNetの実験では、様々な訓練済みのDNNに対して、ディスク形状のカーネルと比較して、パフォーマンスが強いことが示されている。 我々は,光カーネルをデータ拡張として使用することにより,拡張可能なImageNet-100について述べる。
  論文  参考訳（メタデータ） (2023-08-29T08:36:00Z)
• Uncertainty-inspired Open Set Learning for Retinal Anomaly Identification [71.06194656633447]
  9つの網膜条件の基底像をトレーニングし,不確実性に着想を得たオープンセット(UIOS)モデルを構築した。 しきい値戦略を持つUIOSモデルはF1スコア99.55%、97.01%、91.91%を達成した。 UIOSは、高い不確実性スコアを正しく予測し、非ターゲットの網膜疾患、低品質の眼底画像、および非基本画像のデータセットを手動でチェックする必要があることを示唆した。
  論文  参考訳（メタデータ） (2023-04-08T10:47:41Z)
• Camera Adaptation for Fundus-Image-Based CVD Risk Estimation [20.240895185459618]
  ディープ・ラーニング(DL)とポータブル・ファンド・カメラを組み合わせることで様々なシナリオでCVDのリスクを見積もることができる。 最優先課題の1つは、研究用データベースと生産環境におけるサンプルの違いである。 モデルロバスト性を改善するために, 横方向特徴アライメント事前学習方式と自己注意型カメラ適応モジュールを提案する。
  論文  参考訳（メタデータ） (2022-06-18T13:28:16Z)
• A Deep Learning-based Quality Assessment and Segmentation System with a Large-scale Benchmark Dataset for Optical Coherence Tomographic Angiography Image [16.31881124375424]
  我々は,深層ニューラルネットワークを用いたコンピュータ支援OCTA画像処理システムを開発し,眼科医の臨床診断・研究を支援する。 大規模なOCTAデータセット、すなわちOCTA-25K-IQA-SEGを公開して性能評価を行う。
  論文  参考訳（メタデータ） (2021-07-22T06:32:10Z)

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。