論文の概要: Uncertainty-Aware Variational Information Pursuit for Interpretable Medical Image Analysis

• arxiv url: http://arxiv.org/abs/2506.16742v1
• Date: Fri, 20 Jun 2025 04:25:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-23 19:00:05.341028
• Title: Uncertainty-Aware Variational Information Pursuit for Interpretable Medical Image Analysis
• Title（参考訳）: 医用画像解析のための不確かさを意識した変分情報探索
• Authors: Md Nahiduzzaman, Ruwan Tennakoon, Steven Korevaar, Zongyuan Ge, Alireza Bab-Hadiashar,
• Abstract要約: 本稿では,不確実性の定量化をV-IPプロセスに統合する新しいフレームワークであるUncertainty-Aware V-IP(UAV-IP)を紹介する。 我々は,4つの医用画像データセット,PH2,Derm7pt,BrEaST,SkinConのUAV-IPを評価した。
• 参考スコア（独自算出の注目度）: 18.74414234254736
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In medical imaging, AI decision-support systems must balance accuracy and interpretability to build user trust and support effective clinical decision-making. Recently, Variational Information Pursuit (V-IP) and its variants have emerged as interpretable-by-design modeling techniques, aiming to explain AI decisions in terms of human-understandable, clinically relevant concepts. However, existing V-IP methods overlook instance-level uncertainties in query-answer generation, which can arise from model limitations (epistemic uncertainty) or variability in expert responses (aleatoric uncertainty). This paper introduces Uncertainty-Aware V-IP (UAV-IP), a novel framework that integrates uncertainty quantification into the V-IP process. We evaluate UAV-IP across four medical imaging datasets, PH2, Derm7pt, BrEaST, and SkinCon, demonstrating an average AUC improvement of approximately 3.2% while generating 20% more concise explanations compared to baseline V-IP, without sacrificing informativeness. These findings highlight the importance of uncertainty-aware reasoning in interpretable by design models for robust and reliable medical decision-making.
• Abstract（参考訳）: 医用画像では、AI意思決定支援システムは、ユーザの信頼を築き、効果的な臨床的意思決定を支援するために、正確性と解釈可能性のバランスをとる必要がある。 近年,変分情報探索法(V-IP)とその変種は,人間に理解可能な,臨床的に関係のある概念でAI決定を説明することを目的とした,解釈可能な設計モデリング技術として出現している。 しかし、既存のV-IP手法は、クエリー・アンサー生成におけるインスタンスレベルの不確実性を見落としている。 本稿では,不確実性の定量化をV-IPプロセスに統合する新しいフレームワークであるUncertainty-Aware V-IP(UAV-IP)を紹介する。 我々は,4つの医用画像データセット(PH2,Derm7pt,BrEaST,SkinCon)にわたるUAV-IPを評価し,平均3.2%のAUC改善効果を示した。 これらの知見は、堅牢で信頼性の高い医療意思決定のための設計モデルによる解釈における不確実性を考慮した推論の重要性を浮き彫りにした。

関連論文リスト

• Explaining Uncertainty in Multiple Sclerosis Lesion Segmentation Beyond Prediction Errors [30.086986374579414]
  本研究では,予測の不確実性の潜在的な原因を説明する新しい枠組みを紹介する。 提案した分析は、不確実性とエラーの関係から関連する医療・工学的要因へと焦点を移す。 症例によっては, 病変の大きさ, 形状, 皮質の関与など, 不確実性が強く関与していることが判明した。
  論文  参考訳（メタデータ） (2025-04-07T08:09:27Z)
• Uncertainty-aware abstention in medical diagnosis based on medical texts [87.88110503208016]
  本研究は,AI支援医療診断における信頼性の重要課題について論じる。 本研究は,診断に自信がなければ,診断システムによる意思決定の回避を可能にする選択予測手法に焦点をあてる。 我々は、選択予測タスクにおける信頼性を高めるための新しい最先端手法であるHUQ-2を紹介する。
  論文  参考訳（メタデータ） (2025-02-25T10:15:21Z)
• Which Client is Reliable?: A Reliable and Personalized Prompt-based Federated Learning for Medical Image Question Answering [51.26412822853409]
  本稿では,医学的視覚的質問応答(VQA)モデルのための,パーソナライズド・フェデレーションド・ラーニング(pFL)手法を提案する。 提案手法では,学習可能なプロンプトをTransformerアーキテクチャに導入し,膨大な計算コストを伴わずに,多様な医療データセット上で効率的にトレーニングする。
  論文  参考訳（メタデータ） (2024-10-23T00:31:17Z)
• Self-eXplainable AI for Medical Image Analysis: A Survey and New Outlooks [9.93411316886105]
  Self-eXplainable AI (S-XAI)は、ディープラーニングモデルのトレーニングプロセスに説明可能性を直接組み込む。 本研究は,様々な画像モダリティと臨床応用を包括的に検討する。
  論文  参考訳（メタデータ） (2024-10-03T09:29:28Z)
• QUBIQ: Uncertainty Quantification for Biomedical Image Segmentation Challenge [93.61262892578067]
  医用画像分割作業の不確実性、特にラター間変動性は重要な課題である。 この可変性は、自動セグメンテーションアルゴリズムの開発と評価に直接影響を及ぼす。 バイオメディカル画像量化チャレンジ(QUBIQ)における不確実性の定量化のベンチマーク結果を報告する。
  論文  参考訳（メタデータ） (2024-03-19T17:57:24Z)
• Robust and Interpretable Medical Image Classifiers via Concept Bottleneck Models [49.95603725998561]
  本稿では,自然言語の概念を用いた堅牢で解釈可能な医用画像分類器を構築するための新しいパラダイムを提案する。 具体的には、まず臨床概念をGPT-4から検索し、次に視覚言語モデルを用いて潜在画像の特徴を明示的な概念に変換する。
  論文  参考訳（メタデータ） (2023-10-04T21:57:09Z)
• Informing clinical assessment by contextualizing post-hoc explanations of risk prediction models in type-2 diabetes [50.8044927215346]
  本研究は, 合併症リスク予測のシナリオを考察し, 患者の臨床状態に関する文脈に焦点を当てる。 我々は、リスク予測モデル推論に関する文脈を提示し、その受容性を評価するために、最先端のLLMをいくつか採用する。 本論文は,実世界における臨床症例における文脈説明の有効性と有用性を明らかにする最初のエンドツーエンド分析の1つである。
  論文  参考訳（メタデータ） (2023-02-11T18:07:11Z)
• Clinical Outcome Prediction from Admission Notes using Self-Supervised Knowledge Integration [55.88616573143478]
  臨床テキストからのアウトカム予測は、医師が潜在的なリスクを見落としないようにする。 退院時の診断,手術手順,院内死亡率,長期予測は4つの一般的な結果予測対象である。 複数の公開資料から得られた患者結果に関する知識を統合するために,臨床結果の事前学習を提案する。
  論文  参考訳（メタデータ） (2021-02-08T10:26:44Z)

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。