論文の概要: MedBayes-Lite: Bayesian Uncertainty Quantification for Safe Clinical Decision Support

• arxiv url: http://arxiv.org/abs/2511.16625v1
• Date: Thu, 20 Nov 2025 18:33:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-21 17:08:52.785424
• Title: MedBayes-Lite: Bayesian Uncertainty Quantification for Safe Clinical Decision Support
• Title（参考訳）: MedBayes-Lite : 安全な臨床診断支援のためのベイズ不確実性定量化
• Authors: Elias Hossain, Md Mehedi Hasan Nipu, Maleeha Sheikh, Rajib Rana, Subash Neupane, Niloofar Yousefi,
• Abstract要約: MedBayes-Liteはトランスフォーマーに基づく臨床言語モデルのための軽量ベイズ拡張である。 MedBayes-Liteは、リトレーニングやアーキテクチャの変更なしに、既存のトランスフォーマーパイプラインに直接不確実な定量化を組み込む。 キャリブレーションと信頼性を継続的に改善し、自信過剰を32%から48%減らす。
• 参考スコア（独自算出の注目度）: 5.22077647816926
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We propose MedBayes-Lite, a lightweight Bayesian enhancement for transformer-based clinical language models designed to produce reliable, uncertainty-aware predictions. Although transformers show strong potential for clinical decision support, they remain prone to overconfidence, especially in ambiguous medical cases where calibrated uncertainty is critical. MedBayes-Lite embeds uncertainty quantification directly into existing transformer pipelines without any retraining or architectural rewiring, adding no new trainable layers and keeping parameter overhead under 3 percent. The framework integrates three components: (i) Bayesian Embedding Calibration using Monte Carlo dropout for epistemic uncertainty, (ii) Uncertainty-Weighted Attention that marginalizes over token reliability, and (iii) Confidence-Guided Decision Shaping inspired by clinical risk minimization. Across biomedical QA and clinical prediction benchmarks (MedQA, PubMedQA, MIMIC-III), MedBayes-Lite consistently improves calibration and trustworthiness, reducing overconfidence by 32 to 48 percent. In simulated clinical settings, it can prevent up to 41 percent of diagnostic errors by flagging uncertain predictions for human review. These results demonstrate its effectiveness in enabling reliable uncertainty propagation and improving interpretability in medical AI systems.
• Abstract（参考訳）: MedBayes-Liteはトランスフォーマーに基づく臨床言語モデルのための軽量ベイズ拡張であり,信頼性と不確実性を考慮した予測を行う。 トランスフォーマーは臨床診断支援の可能性を強く示しているが、特に不確実性の校正が重要であるあいまいな医療症例では、自信過剰の傾向が残る。 MedBayes-Liteは、トレーニングやアーキテクチャの変更なしに、既存のトランスフォーマーパイプラインに直接不確実な定量化を組み込んで、新たなトレーニング可能なレイヤを追加せず、パラメータのオーバーヘッドを3%以下に抑える。 このフレームワークは3つのコンポーネントを統合している。 (i)モンテカルロ滴出液を用いたベイズ埋没校正によるてんかんの不確実性 二 トークンの信頼性を損なう不確実性重みの注意、及び 三 臨床リスク最小化に触発された信頼性誘導意思決定 バイオメディカルQAと臨床予測ベンチマーク(MedQA、PubMedQA、MIMIC-III)を通じて、MedBayes-Liteはキャリブレーションと信頼性を継続的に改善し、過信を32～48%削減する。 シミュレーションされた臨床環境では、人間のレビューに対する不確実な予測をフラグ付けすることで、診断エラーの最大41%を防止できる。 これらの結果は,医療用AIシステムにおける信頼性の高い不確実性伝播の実現と解釈可能性の向上に有効であることを示す。

関連論文リスト

• Conformal Lesion Segmentation for 3D Medical Images [82.92159832699583]
  本稿では,データ駆動しきい値の校正をコンフォーマル化することで,テスト時間FNRが目標許容値以下であることを保証する,リスク制約付きフレームワークを提案する。 5つのバックボーンモデルにまたがる6つの3D-LSデータセット上でのCLSの統計的健全性と予測性能を検証し,臨床実践におけるリスク認識セグメンテーションの展開に関する実用的な知見を得た。
  論文  参考訳（メタデータ） (2025-10-19T08:21:00Z)
• Calibration-Aware Prompt Learning for Medical Vision-Language Models [44.97741487992985]
  ミススカラー予測は、過度に自信過剰なエラーを引き起こし、臨床信頼と意思決定の信頼性を損なう。 本稿では,Med-VLM を即時チューニングする最初のフレームワークである CalibPrompt を紹介する。 CalibPromptは、クリーンな精度に大きな影響を及ぼすことなく、キャリブレーションを継続的に改善する。
  論文  参考訳（メタデータ） (2025-09-18T17:59:58Z)
• Trustworthy Agents for Electronic Health Records through Confidence Estimation [5.313502324941667]
  そこで我々は, 信頼性閾値の異なる精度-信頼性トレードオフを定量化する新しい尺度であるk%における幻覚制御精度を提案する。 臨床質問応答のための段階的信頼度推定を組み込んだ信頼度認識エージェントであるTrustEHRAgentを紹介する。
  論文  参考訳（メタデータ） (2025-08-26T14:59:04Z)
• SURE-Med: Systematic Uncertainty Reduction for Enhanced Reliability in Medical Report Generation [2.2185034594788164]
  視覚, 分布, 文脈の3つの重要な次元における不確実性を体系的に低減する統合フレームワークSURE-Medを提案する。 視覚的不確実性を軽減するため、Frontal-Aware View Resamplingモジュールはビューアノテーションエラーを修正し、補足ビューから情報的特徴を適応的に選択する。 ラベル分布の不確実性に対処するために,批判的診断文のモデリングを促進させるToken Sensitive Learningの目標を提案する。 文脈不確実性を低減するため、文脈証拠フィルタは、現在の画像と整合する事前情報を検証し、選択的に組み込んで、幻覚を効果的に抑制する。
  論文  参考訳（メタデータ） (2025-08-03T09:52:30Z)
• Uncertainty-Driven Expert Control: Enhancing the Reliability of Medical Vision-Language Models [52.2001050216955]
  既存の方法は、モデル構造を調整したり、高品質なデータで微調整したり、好みの微調整によって、医療ビジョン言語モデル(MedVLM)の性能を向上させることを目的としている。 我々は,MedVLMと臨床専門知識の連携を図るために,Expert-Controlled-Free Guidance (Expert-CFG) という,ループ内のエキスパート・イン・ザ・ループフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-07-12T09:03:30Z)
• CARE: Confidence-aware Ratio Estimation for Medical Biomarkers [14.09557377263612]
  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。
  論文  参考訳（メタデータ） (2025-05-26T06:58:19Z)
• Towards Reliable Medical Image Segmentation by Modeling Evidential Calibrated Uncertainty [57.023423137202485]
  医用画像のセグメンテーションの信頼性に関する懸念が臨床医の間で続いている。 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。 主観的論理理論を活用することで、医用画像分割の確率と不確実性を明示的にモデル化する。
  論文  参考訳（メタデータ） (2023-01-01T05:02:46Z)

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。