論文の概要: CARE: Confidence-aware Ratio Estimation for Medical Biomarkers

• arxiv url: http://arxiv.org/abs/2505.19585v2
• Date: Fri, 26 Sep 2025 14:22:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-29 14:23:57.392903
• Title: CARE: Confidence-aware Ratio Estimation for Medical Biomarkers
• Title（参考訳）: CARE:医療バイオマーカーの信頼性を考慮した評価
• Authors: Jiameng Li, Teodora Popordanoska, Aleksei Tiulpin, Sebastian G. Gruber, Frederik Maes, Matthew B. Blaschko,
• Abstract要約: 比例ベースのバイオマーカーは、診断、予後、治療計画を支援するために臨床実践で広く用いられている。 既存の方法は点推定のみを提供し、不確実性の尺度を提供しない。 比に基づくバイオマーカーを推定するための統合信頼度対応フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 14.09557377263612
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Ratio-based biomarkers -- such as the proportion of necrotic tissue within a tumor -- are widely used in clinical practice to support diagnosis, prognosis, and treatment planning. These biomarkers are typically estimated from soft segmentation outputs by computing region-wise ratios. Despite the high-stakes nature of clinical decision making, existing methods provide only point estimates, offering no measure of uncertainty. In this work, we propose a unified confidence-aware framework for estimating ratio-based biomarkers. Our uncertainty analysis stems from two observations: i) the probability ratio estimator inherently admits a statistical confidence interval regarding local randomness (bias and variance), ii) the segmentation network is not perfectly calibrated. We conduct a systematic analysis of error propagation in the segmentation-to-biomarker pipeline and identify model miscalibration as the dominant source of uncertainty. We leverage tunable parameters to control the confidence level of the derived bounds, allowing adaptation towards clinical practice. Extensive experiments show that our method produces statistically sound confidence intervals, with tunable confidence levels, enabling more trustworthy application of predictive biomarkers in clinical workflows.
• Abstract（参考訳）: 腫瘍内の壊死組織の割合などの比率に基づくバイオマーカーは、診断、予後、治療計画を支援するために臨床実践で広く使用されている。 これらのバイオマーカーは、通常、領域ワイド比の計算によってソフトセグメンテーション出力から推定される。 臨床的な意思決定の質が高いにもかかわらず、既存の方法は点推定のみを提供し、不確実性の尺度を提供しない。 本研究では,比に基づくバイオマーカーを推定するための統一信頼度対応フレームワークを提案する。 我々の不確実性分析は2つの観察に由来する。 一 確率比推定器は、本来、局所的ランダム性(バイアス及び分散)に関する統計的信頼区間を許容する。 二 セグメンテーションネットワークが 完全に校正されていないこと。 本研究では,セグメンテーション・バイオマーカーパイプラインにおける誤り伝播の系統的解析を行い,モデルの誤校正を不確実性の主要な原因とみなす。 我々は、調整可能なパラメータを用いて、導出境界の信頼度を制御し、臨床実践への適応を可能にする。 広汎な実験により, 本手法は, 信頼性レベルを調整可能な統計的信頼区間を生成し, 臨床ワークフローにおける予測バイオマーカーのより信頼性の高い適用を可能にした。

関連論文リスト

• 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)
• Benchmarking Scalable Epistemic Uncertainty Quantification in Organ Segmentation [7.313010190714819]
  モデル予測に関連する不確実性の定量化は 重要な臨床応用に不可欠です 自動臓器分割のためのディープラーニングに基づく手法は,診断と治療計画を支援する上で有望であることを示す。 医用画像解析設定においてどの方法が好ましいかは不明確である。
  論文  参考訳（メタデータ） (2023-08-15T00:09:33Z)
• Benchmarking common uncertainty estimation methods with histopathological images under domain shift and label noise [62.997667081978825]
  リスクの高い環境では、深層学習モデルは不確実性を判断し、誤分類の可能性がかなり高い場合に入力を拒否しなければなりません。 我々は,全スライド画像の分類において,最もよく使われている不確実性と頑健さの厳密な評価を行う。 我々は一般的に,手法のアンサンブルが,ドメインシフトやラベルノイズに対するロバスト性の向上とともに,より良い不確実性評価につながることを観察する。
  論文  参考訳（メタデータ） (2023-01-03T11:34:36Z)
• Towards Reliable Medical Image Segmentation by utilizing Evidential Calibrated Uncertainty [52.03490691733464]
  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。 主観的論理理論を利用して、医用画像分割の問題に対する確率と不確実性を明示的にモデル化する。 DeviSには不確実性を考慮したフィルタリングモジュールが組み込まれている。
  論文  参考訳（メタデータ） (2023-01-01T05:02:46Z)
• Scalable Marginal Likelihood Estimation for Model Selection in Deep Learning [78.83598532168256]
  階層型モデル選択は、推定困難のため、ディープラーニングではほとんど使われない。 本研究は,検証データが利用できない場合,限界的可能性によって一般化が向上し,有用であることを示す。
  論文  参考訳（メタデータ） (2021-04-11T09:50:24Z)
• Bayesian Uncertainty Estimation of Learned Variational MRI Reconstruction [63.202627467245584]
  我々は,モデル不連続な不確かさを定量化するベイズ変分フレームワークを提案する。 提案手法はMRIのアンダーサンプを用いた再建術の術後成績を示す。
  論文  参考訳（メタデータ） (2021-02-12T18:08:14Z)
• 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)
• Bayesian Neural Networks for Uncertainty Estimation of Imaging Biomarkers [0.0]
  本稿では,セグメンテーションの不確実性を統計解析に伝達し,セグメンテーションの信頼性の変動を考慮することを提案する。 糖尿病患者における肝の分節化成績は, 統計的推測におけるバイオマーカーの不確実性の改善を明らかに示している。
  論文  参考訳（メタデータ） (2020-08-28T14:34:12Z)
• Diagnostic Uncertainty Calibration: Towards Reliable Machine Predictions in Medical Domain [20.237847764018138]
  本稿では,ラベルの不確実性の存在下でのクラス確率推定(CPE)の評価フレームワークを提案する。 また,レータ間不一致を含む高次統計量の評価指標を定式化した。 提案手法は,不確実性推定の信頼性を著しく向上させることを示す。
  論文  参考訳（メタデータ） (2020-07-03T12:54:08Z)
• Unlabelled Data Improves Bayesian Uncertainty Calibration under Covariate Shift [100.52588638477862]
  後続正則化に基づく近似ベイズ推定法を開発した。 前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
  論文  参考訳（メタデータ） (2020-06-26T13:50:19Z)

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。