論文の概要: MEGAN: Mixture of Experts for Robust Uncertainty Estimation in Endoscopy Videos
- arxiv url: http://arxiv.org/abs/2509.12772v1
- Date: Tue, 16 Sep 2025 07:42:01 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-17 17:50:52.950859
- Title: MEGAN: Mixture of Experts for Robust Uncertainty Estimation in Endoscopy Videos
- Title（参考訳）: MEGAN:内視鏡映像におけるロバスト不確かさ推定の専門家の混在
- Authors: Damola Agbelese, Krishna Chaitanya, Pushpak Pati, Chaitanya Parmar, Pooya Mobadersany, Shreyas Fadnavis, Lindsey Surace, Shadi Yarandi, Louis R. Ghanem, Molly Lucas, Tommaso Mansi, Oana Gabriela Cula, Pablo F. Damasceno, Kristopher Standish,
- Abstract要約: 我々は,複数のAI専門家による不確実性推定と予測を集約するマルチエキスパートゲーティングネットワークMEGANを提案する。
MEGANのゲーティングネットワークは、それぞれのEDLモデルからの予測と不確実性を最適に組み合わせ、全体的な予測信頼性とキャリブレーションを高める。
大規模な潰瘍性大腸炎(UC)臨床試験では、MEGANは既存の方法に比べてF1スコアが3.5%改善し、予想エラー(ECE)が30.5%減少した。
- 参考スコア（独自算出の注目度）: 2.969789372985515
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Reliable uncertainty quantification (UQ) is essential in medical AI. Evidential Deep Learning (EDL) offers a computationally efficient way to quantify model uncertainty alongside predictions, unlike traditional methods such as Monte Carlo (MC) Dropout and Deep Ensembles (DE). However, all these methods often rely on a single expert's annotations as ground truth for model training, overlooking the inter-rater variability in healthcare. To address this issue, we propose MEGAN, a Multi-Expert Gating Network that aggregates uncertainty estimates and predictions from multiple AI experts via EDL models trained with diverse ground truths and modeling strategies. MEGAN's gating network optimally combines predictions and uncertainties from each EDL model, enhancing overall prediction confidence and calibration. We extensively benchmark MEGAN on endoscopy videos for Ulcerative colitis (UC) disease severity estimation, assessed by visual labeling of Mayo Endoscopic Subscore (MES), where inter-rater variability is prevalent. In large-scale prospective UC clinical trial, MEGAN achieved a 3.5% improvement in F1-score and a 30.5% reduction in Expected Calibration Error (ECE) compared to existing methods. Furthermore, MEGAN facilitated uncertainty-guided sample stratification, reducing the annotation burden and potentially increasing efficiency and consistency in UC trials.
- Abstract（参考訳）: 医療AIには信頼性のある不確実性定量化(UQ)が不可欠である。
Evidential Deep Learning (EDL)は、モンテカルロ(MC)のDropoutやDeep Ensembles(DE)のような従来の手法とは異なり、予測と共にモデルの不確実性を定量化する計算的に効率的な方法を提供する。
しかしながら、これらの手法は、モデルトレーニングの根拠として、単一の専門家のアノテーションを頼りにし、医療におけるラッター間のばらつきを見下ろしていることが多い。
この問題に対処するために,多様な基底真実とモデリング戦略で訓練されたEDLモデルを用いて,複数のAI専門家による不確実性の推定と予測を集約するマルチエキスパートゲーティングネットワークMEGANを提案する。
MEGANのゲーティングネットワークは、それぞれのEDLモデルからの予測と不確実性を最適に組み合わせ、全体的な予測信頼性とキャリブレーションを高める。
潰瘍性大腸炎(Ulcerative colitis, UC)の重症度評価のための内視鏡的ビデオにMEGANを広範囲にベンチマークし, マヨ内視鏡的サブスコア(MES)の視覚的ラベル付けによる評価を行った。
大規模なUC臨床試験では、MEGANはF1スコアを3.5%改善し、予測校正誤差(ECE)を30.5%削減した。
さらに、MEGANは、不確実性誘導されたサンプルの成層化を促進し、アノテーションの負担を軽減し、UC試験における効率と一貫性を増大させる可能性がある。
関連論文リスト
- Effect of Data Augmentation on Conformal Prediction for Diabetic Retinopathy [6.656858522657063]
糖尿病網膜症におけるコンフォメーション予測器の性能について検討した。
以上の結果から,Mixup や CutMix のようなサンプル混合手法は予測精度を向上するだけでなく,信頼性と効率のよい不確実性評価をもたらすことが示唆された。
論文 参考訳（メタデータ） (2025-08-19T20:55:06Z) - Uncertainty-Aware Deep Learning for Automated Skin Cancer Classification: A Comprehensive Evaluation [11.342661330086921]
本研究では,HAM10000データセットを用いたトランスファーラーニングと不確実性定量化(UQ)を用いた深層学習に基づく皮膚病変分類の包括的評価を行う。
結果は,CLIPベースの視覚変換器,特にSVMを用いたLAION CLIP ViT-H/14が最も高い分類性能を示した。
本研究は, 実際の臨床応用における信頼性と信頼性を高めるために, UQ を DL ベースの診断に組み込むことの重要性を強調した。
論文 参考訳（メタデータ） (2025-06-12T02:29:16Z) - 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) - Uncertainty Quantification on Clinical Trial Outcome Prediction [37.25114005044208]
本稿では,不確実性の定量化を臨床治験結果の予測に取り入れることを提案する。
私たちの主な目標は、ニュアンスドの違いを識別するモデルの能力を強化することです。
我々は目的を達成するために選択的な分類手法を採用した。
論文 参考訳（メタデータ） (2024-01-07T13:48:05Z) - XAI for In-hospital Mortality Prediction via Multimodal ICU Data [57.73357047856416]
マルチモーダルICUデータを用いて病院内死亡率を予測するための,効率的で説明可能なAIソリューションを提案する。
我々は,臨床データから異種入力を受信し,意思決定を行うマルチモーダル・ラーニングを我々のフレームワークに導入する。
我々の枠組みは、医療研究において重要な要素の発見を容易にする他の臨床課題に容易に移行することができる。
論文 参考訳（メタデータ） (2023-12-29T14:28:04Z) - 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) - Density-Aware Personalized Training for Risk Prediction in Imbalanced
Medical Data [89.79617468457393]
不均衡率(クラス密度差)のトレーニングモデルは、最適以下の予測につながる可能性がある。
この不均衡問題に対するモデルトレーニングのためのフレームワークを提案する。
実世界の医療データセットにおけるモデルの性能向上を実証する。
論文 参考訳（メタデータ） (2022-07-23T00:39:53Z) - 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) - Bayesian prognostic covariate adjustment [59.75318183140857]
疾患の結果に関する歴史的データは、様々な方法で臨床試験の分析に組み込むことができる。
我々は, 予測モデルからの予後スコアを用いて, 治療効果推定の効率を向上する既存の文献に基づいて構築する。
論文 参考訳（メタデータ） (2020-12-24T05:19:03Z) - 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。