論文の概要: An Explainable Agentic AI Framework for Uncertainty-Aware and Abstention-Enabled Acute Ischemic Stroke Imaging Decisions

• arxiv url: http://arxiv.org/abs/2601.01008v1
• Date: Sat, 03 Jan 2026 00:10:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-06 16:25:21.936865
• Title: An Explainable Agentic AI Framework for Uncertainty-Aware and Abstention-Enabled Acute Ischemic Stroke Imaging Decisions
• Title（参考訳）: 不確実性と回避性を有する急性虚血性脳卒中画像診断のための説明可能なエージェントAIフレームワーク
• Authors: Md Rashadul Islam,
• Abstract要約: 急性期脳卒中画像における不確実性認識と回避可能な意思決定支援のための説明可能なエージェントAIフレームワークを提案する。 主にセグメンテーションや分類精度の向上に重点を置いている前脳卒中画像システムとは異なり、提案フレームワークは、臨床安全性、透明性、臨床に整合した意思決定行動を明確に優先順位付けする。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Artificial intelligence models have shown strong potential in acute ischemic stroke imaging, particularly for lesion detection and segmentation using computed tomography and magnetic resonance imaging. However, most existing approaches operate as black box predictors, producing deterministic outputs without explicit uncertainty awareness or structured mechanisms to abstain under ambiguous conditions. This limitation raises serious safety and trust concerns in high risk emergency radiology settings. In this paper, we propose an explainable agentic AI framework for uncertainty aware and abstention enabled decision support in acute ischemic stroke imaging. The framework follows a modular agentic pipeline in which a perception agent performs lesion aware image analysis, an uncertainty estimation agent computes slice level predictive reliability, and a decision agent determines whether to issue a prediction or abstain based on predefined uncertainty thresholds. Unlike prior stroke imaging systems that primarily focus on improving segmentation or classification accuracy, the proposed framework explicitly prioritizes clinical safety, transparency, and clinician aligned decision behavior. Qualitative and case based analyses across representative stroke imaging scenarios demonstrate that uncertainty driven abstention naturally emerges in diagnostically ambiguous regions and low information slices. The framework further integrates visual explanation mechanisms to support both predictive and abstention decisions, addressing a key limitation of existing uncertainty aware medical imaging systems. Rather than introducing a new performance benchmark, this work presents agentic control, uncertainty awareness, and selective abstention as essential design principles for developing safe and trustworthy medical imaging AI systems.
• Abstract（参考訳）: 人工知能モデルは、急性虚血性脳梗塞の画像、特にCTと磁気共鳴画像を用いた病変の検出とセグメント化に強い可能性を示している。 しかし、既存のほとんどのアプローチはブラックボックス予測器として機能し、明確な不確実性を認識しない決定論的出力や、曖昧な条件下での断続的な機構を発生させる。 この制限は、リスクの高い緊急放射線学の設定において、深刻な安全と信頼の懸念を引き起こす。 本稿では,急性期脳卒中画像における不確実性認識と回避可能な意思決定支援のための説明可能なエージェントAIフレームワークを提案する。 認識エージェントが病変認識画像解析を行い、不確実性推定エージェントがスライスレベルの予測信頼性を計算し、決定エージェントが予め定義された不確実性閾値に基づいて予測を発行するか、または棄権するかを決定するモジュラーエージェントパイプラインに従う。 主にセグメンテーションや分類精度の向上に重点を置いている前脳卒中画像システムとは異なり、提案フレームワークは、臨床安全性、透明性、臨床に整合した意思決定行動を明確に優先順位付けする。 代表的な脳卒中画像シナリオの質的およびケースベース解析により、診断上の曖昧な領域と低情報スライスに不確実性誘発の禁忌が自然に出現することを示した。 このフレームワークはさらに、既存の不確実性認識医療画像システムの重要な制限に対処するため、予測的および棄権的決定の両方をサポートする視覚的説明機構を統合している。 この研究は、新しいパフォーマンスベンチマークを導入するのではなく、安全で信頼性の高い医療画像AIシステムの開発に不可欠な設計原則として、エージェント制御、不確実性認識、選択的棄権を示す。

関連論文リスト

• Benchmarking Uncertainty and its Disentanglement in multi-label Chest X-Ray Classification [11.21639536740362]
  コンボリューション(ResNet)とトランスフォーマー(Vision Transformer)アーキテクチャにおける13の不確実性定量化手法を評価する。 Evidential Deep Learning, HetClass NNs, Deep Deterministic Uncertaintyをマルチラベル設定に拡張する。
  論文  参考訳（メタデータ） (2025-08-06T13:58:17Z)
• 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)
• Epistemic Uncertainty for Generated Image Detection [107.62647907393377]
  本稿では,創成モデルの時代において重要なセキュリティ問題に対処することを目的とした,てんかん不確実性によるAI生成画像検出のための新しいフレームワークを提案する。 我々の重要な洞察は、トレーニングとテストデータの分布の相違が、機械学習モデルのエピステマティック不確実性空間に顕著に現れていることに起因している。
  論文  参考訳（メタデータ） (2024-12-08T11:32:25Z)
• Know Where You're Uncertain When Planning with Multimodal Foundation Models: A Formal Framework [54.40508478482667]
  認識と計画生成の不確実性を解消し、定量化し、緩和する包括的枠組みを提案する。 本稿では,知覚と意思決定の独特な性質に合わせた手法を提案する。 この不確実性分散フレームワークは, 変動率を最大40%削減し, タスク成功率をベースラインに比べて5%向上させることを示した。
  論文  参考訳（メタデータ） (2024-11-03T17:32:00Z)
• Uncertainty Quantification in Machine Learning Based Segmentation: A Post-Hoc Approach for Left Ventricle Volume Estimation in MRI [0.0]
  左室容積推定は各種心血管疾患の診断・管理に重要である。 近年の機械学習、特にU-Netのような畳み込みネットワークは、医療画像の自動セグメンテーションを促進している。 本研究では,LV容積予測におけるポストホック不確実性推定のための新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-10-30T13:44:55Z)
• 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)
• Uncertainty aware and explainable diagnosis of retinal disease [0.0]
  4つの網膜疾患の診断のための深層学習モデルの不確実性解析を行う。 不確実性が認識されている間にシステムが予測に使用する特徴は、システムが決定について確信が持たないときにハイライトする能力である。
  論文  参考訳（メタデータ） (2021-01-26T23:37:30Z)

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。