論文の概要: Uncertainty quantification for improving radiomic-based models in radiation pneumonitis prediction

• arxiv url: http://arxiv.org/abs/2412.19511v1
• Date: Fri, 27 Dec 2024 08:01:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-30 17:24:44.523142
• Title: Uncertainty quantification for improving radiomic-based models in radiation pneumonitis prediction
• Title（参考訳）: 放射線肺炎予測における放射線モデルの改善のための不確かさ定量化
• Authors: Chanon Puttanawarut, Romen Samuel Wabina, Nat Sirirutbunkajorn,
• Abstract要約: 放射線肺炎は放射線療法の副作用である。 最近の機械学習(ML)モデルでは、放射能とDosiomic特徴が強化され、より良い予測が可能になった。 モデル予測の信頼性を向上させるために不確実性定量化(UQ)を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Background and Objective: Radiation pneumonitis (RP) is a side effect of thoracic radiation therapy. Recently, Machine learning (ML) models enhanced with radiomic and dosiomic features provide better predictions by incorporating spatial information beyond DVHs. However, to improve the clinical decision process, we propose to use uncertainty quantification (UQ) to improve the confidence in model prediction. This study evaluates the impact of post hoc UQ methods on the discriminative performance and calibration of ML models for RP prediction. Methods: This study evaluated four ML models: logistic regression (LR), support vector machines (SVM), extreme gradient boosting (XGB), and random forest (RF), using radiomic, dosiomic, and dosimetric features to predict RP. We applied UQ methods, including Patt scaling, isotonic regression, Venn-ABERS predictor, and Conformal Prediction, to quantify uncertainty. Model performance was assessed through Area Under the Receiver Operating Characteristic curve (AUROC), Area Under the Precision-Recall Curve (AUPRC), and Adaptive Calibration Error (ACE) using Leave-One-Out Cross-Validation (LOO-CV). Results: UQ methods enhanced predictive performance, particularly for high-certainty predictions, while also improving calibration. Radiomic and dosiomic features increased model accuracy but introduced calibration challenges, especially for non-linear models like XGB and RF. Performance gains from UQ methods were most noticeable at higher certainty thresholds. Conclusion: Integrating UQ into ML models with radiomic and dosiomic features improves both predictive accuracy and calibration, supporting more reliable clinical decision-making. The findings emphasize the value of UQ methods in enhancing applicability of predictive models for RP in healthcare settings.
• Abstract（参考訳）: 背景と目的 放射線肺炎(RP)は胸部放射線療法の副作用である。 近年,DVHを超越した空間情報を組み込んだ機械学習(ML)モデルにより,放射能・ドシオミック特性が向上し,予測精度が向上した。 しかし,臨床的意思決定プロセスを改善するために,不確実性定量化(UQ)を用いてモデル予測の信頼性を向上させることを提案する。 本研究では,ポストホックUQ法がRP予測のためのMLモデルの識別性能と校正に及ぼす影響を評価する。 方法: 本研究は, 放射能, ドシオミック, ドシメトリックの4つのMLモデルについて, RPを予測するために, 放射能, ドシメトリック, ドシメトリックの4つの特徴を用いて, 対数回帰(LR), サポートベクターマシン(SVM), 極端な勾配上昇(XGB), ランダムフォレスト(RF)を評価した。 我々は、不確実性を定量化するために、パットスケーリング、等調回帰、Venn-ABERS予測器、コンフォーマル予測などのUQ手法を適用した。 AUROC(Area Under the Receiver Operating Characteristics curve)、AUPRC(Area Under the Precision-Recall Curve)、ACE(Adaptive Calibration Error)を通じて、Leave-One-Out Cross-Validation(LOO-CV)を用いてモデル性能を評価した。 結果: UQ法は高い精度の予測性能を向上し, キャリブレーションも改善した。 放射線とドシオミックの特徴はモデルの精度を高めたが、特にXGBやRFのような非線形モデルではキャリブレーションの問題が発生した。 UQ法の性能向上は高い確実性しきい値において最も顕著であった。 結論: UQ を ML モデルに統合することにより, 予測精度とキャリブレーションが向上し, より信頼性の高い臨床診断が可能である。 本研究は,医療現場におけるRPの予測モデルの適用性を高めるためのUQ手法の価値を強調した。

関連論文リスト

• Prediction of Lung Metastasis from Hepatocellular Carcinoma using the SEER Database [0.9055332067000195]
  肝細胞癌(HCC)は、がん関連死亡の原因である。 HCCにおける肺転移の予測モデルは、範囲と臨床応用性に限られている。 本研究では,Surveillance, Epidemiology, End Results (SEER)データベースのデータを用いて,エンドツーエンドの機械学習パイプラインの開発と検証を行う。
  論文  参考訳（メタデータ） (2025-01-20T20:06:31Z)
• Calibrating Language Models with Adaptive Temperature Scaling [58.056023173579625]
  本稿では,各トークンの温度スケーリングパラメータを予測するポストホックキャリブレーション法であるAdaptive Temperature Scaling (ATS)を紹介する。 ATSは、以前のキャリブレーション法と比較して、3つの下流自然言語評価ベンチマークで10-50%以上のキャリブレーションを改善する。
  論文  参考訳（メタデータ） (2024-09-29T22:54:31Z)
• Achieving Well-Informed Decision-Making in Drug Discovery: A Comprehensive Calibration Study using Neural Network-Based Structure-Activity Models [4.619907534483781]
  薬物と標的の相互作用を予測する計算モデルは、新しい治療薬の開発を加速するための貴重なツールである。 しかし、そのようなモデルはキャリブレーションが不十分であり、信頼性の低い不確実性推定をもたらす。 本研究では,ポストホックキャリブレーション法と不確実な定量化手法を組み合わせることで,モデルの精度とキャリブレーションを向上できることを示す。
  論文  参考訳（メタデータ） (2024-07-19T10:29:00Z)
• Quantifying predictive uncertainty of aphasia severity in stroke patients with sparse heteroscedastic Bayesian high-dimensional regression [47.1405366895538]
  高次元データに対する疎線型回帰法は、通常、残留物が一定の分散を持つと仮定するが、これは実際には破ることができる。 本稿では,ヘテロセダスティック分割経験的ベイズ期待条件最大化アルゴリズムを用いて,高次元ヘテロセダスティック線形回帰モデルを推定する。
  論文  参考訳（メタデータ） (2023-09-15T22:06:29Z)
• Clinical Deterioration Prediction in Brazilian Hospitals Based on Artificial Neural Networks and Tree Decision Models [56.93322937189087]
  超強化ニューラルネットワーク(XBNet)は臨床劣化(CD)を予測するために用いられる XGBoostモデルはブラジルの病院のデータからCDを予測する最良の結果を得た。
  論文  参考訳（メタデータ） (2022-12-17T23:29:14Z)
• 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)
• Modeling Disagreement in Automatic Data Labelling for Semi-Supervised Learning in Clinical Natural Language Processing [2.016042047576802]
  放射線学報告における観測検出問題に応用した最先端の予測モデルからの不確実性推定の品質について検討する。
  論文  参考訳（メタデータ） (2022-05-29T20:20:49Z)
• When in Doubt: Neural Non-Parametric Uncertainty Quantification for Epidemic Forecasting [70.54920804222031]
  既存の予測モデルは不確実な定量化を無視し、誤校正予測をもたらす。 不確実性を考慮した時系列予測のためのディープニューラルネットワークの最近の研究にもいくつかの制限がある。 本稿では,予測タスクを確率的生成過程としてモデル化し,EPIFNPと呼ばれる機能的ニューラルプロセスモデルを提案する。
  論文  参考訳（メタデータ） (2021-06-07T18:31:47Z)
• Increasing the efficiency of randomized trial estimates via linear adjustment for a prognostic score [59.75318183140857]
  ランダム化実験による因果効果の推定は臨床研究の中心である。 歴史的借用法のほとんどは、厳格なタイプiエラー率制御を犠牲にして分散の削減を達成する。
  論文  参考訳（メタデータ） (2020-12-17T21:10:10Z)
• 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。