論文の概要: Embracing Aleatoric Uncertainty in Medical Multimodal Learning with Missing Modalities

• arxiv url: http://arxiv.org/abs/2601.21950v1
• Date: Thu, 29 Jan 2026 16:31:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-30 16:22:49.995648
• Title: Embracing Aleatoric Uncertainty in Medical Multimodal Learning with Missing Modalities
• Title（参考訳）: 医療用マルチモーダル学習における失語率の不確かさ
• Authors: Linxiao Gong, Yang Liu, Lianlong Sun, Yulai Bi, Jing Liu, Xiaoguang Zhu,
• Abstract要約: 本稿では,不確かさに対処するために,非定型的不確実性を明確に定量化するAUM(Aleatoric Uncertainity Modeling)を提案する。 本フレームワークは,MIMIC-IV死亡予測におけるAUC-ROCの2.26%,eICUでは2.17%向上した。
• 参考スコア（独自算出の注目度）: 9.064442992807264
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Medical multimodal learning faces significant challenges with missing modalities prevalent in clinical practice. Existing approaches assume equal contribution of modality and random missing patterns, neglecting inherent uncertainty in medical data acquisition. In this regard, we propose the Aleatoric Uncertainty Modeling (AUM) that explicitly quantifies unimodal aleatoric uncertainty to address missing modalities. Specifically, AUM models each unimodal representation as a multivariate Gaussian distribution to capture aleatoric uncertainty and enable principled modality reliability quantification. To adaptively aggregate captured information, we develop a dynamic message-passing mechanism within a bipartite patient-modality graph using uncertainty-aware aggregation mechanism. Through this process, missing modalities are naturally accommodated, while more reliable information from available modalities is dynamically emphasized to guide representation generation. Our AUM framework achieves an improvement of 2.26% AUC-ROC on MIMIC-IV mortality prediction and 2.17% gain on eICU, outperforming existing state-of-the-art approaches.
• Abstract（参考訳）: 医学的マルチモーダル学習は、臨床実践で発生するモダリティの欠如によって重大な課題に直面している。 既存のアプローチは、医療データ取得において固有の不確実性を無視して、モダリティとランダムな欠落パターンの等価な寄与を前提としている。 そこで本研究では,不確かさに対処するために,非定常不確かさを明示的に定量化する AUM (Aleatoric Uncertainity Modeling) を提案する。 具体的には、AUMは各ユニモーダル表現を多変量ガウス分布としてモデル化し、アレターの不確実性を捉え、原理化されたモダリティ信頼性の定量化を可能にする。 得られた情報を適応的に集約するために,不確実性を認識したアグリゲーション機構を用いて,バイパーティイト型患者モダリティグラフ内の動的メッセージパッシング機構を開発する。 このプロセスを通じて、欠落したモダリティは自然に許容され、利用可能なモダリティからのより信頼性の高い情報は、表現生成のガイドとして動的に強調される。 我々のAUMフレームワークは、MIMIC-IV死亡予測におけるAUC-ROCの2.26%の改善と、eICUにおける2.17%のアップを実現し、既存の最先端アプローチよりも優れています。

関連論文リスト

• impuTMAE: Multi-modal Transformer with Masked Pre-training for Missing Modalities Imputation in Cancer Survival Prediction [75.43342771863837]
  我々は,効率的なマルチモーダル事前学習戦略を備えた新しいトランスフォーマーに基づくエンドツーエンドアプローチである impuTMAE を紹介する。 マスクされたパッチを再構築することで、モダリティの欠如を同時に示唆しながら、モダリティ間の相互作用とモダリティ内相互作用を学習する。 本モデルは,TGA-GBM/LGGとBraTSデータセットを用いたグリオーマ生存予測のために,異種不完全データに基づいて事前訓練を行った。
  論文  参考訳（メタデータ） (2025-08-08T10:01:16Z)
• Incomplete Modality Disentangled Representation for Ophthalmic Disease Grading and Diagnosis [16.95583564875497]
  本稿では,不完全なモダリティ・ディアンタングル表現(IMDR)戦略を提案する。 4つのマルチモーダルデータセットの実験により、提案したIMDRが最先端の手法を大幅に上回ることを示した。
  論文  参考訳（メタデータ） (2025-02-17T12:10:35Z)
• Reducing Aleatoric and Epistemic Uncertainty through Multi-modal Data Acquisition [5.468547489755107]
  本稿では,不確実性不整合が行動可能な決定を導く,革新的なデータ取得フレームワークを提案する。 主な仮説は、モダリティの数が増加するにつれてアレタリック不確かさが減少するということである。 データ取得フレームワークを紹介するために、2つのマルチモーダルデータセット上で概念実証実装を提供する。
  論文  参考訳（メタデータ） (2025-01-30T11:05:59Z)
• Multi-modal MRI Translation via Evidential Regression and Distribution Calibration [29.56726531611307]
  本稿では,マルチモーダルMRI翻訳を分布校正を伴う多モーダルな明示的回帰問題として再構成する新しいフレームワークを提案する。 提案手法は,1) 異なるソースモードから不確かさを推定する明示的回帰モジュールと,2) ソースターゲットマッピングシフトに適応する分布校正機構とを具体化したものである。
  論文  参考訳（メタデータ） (2024-07-10T05:17:01Z)
• Confidence-aware multi-modality learning for eye disease screening [58.861421804458395]
  眼疾患スクリーニングのための新しい多モード顕在核融合パイプラインを提案する。 モダリティごとに信頼度を測り、マルチモダリティ情報をエレガントに統合する。 パブリックデータセットと内部データセットの両方の実験結果は、我々のモデルが堅牢性に優れていることを示している。
  論文  参考訳（メタデータ） (2024-05-28T13:27:30Z)
• Cross-Attention is Not Enough: Incongruity-Aware Dynamic Hierarchical Fusion for Multimodal Affect Recognition [69.32305810128994]
  モダリティ間の同調性は、特に認知に影響を及ぼすマルチモーダル融合の課題となる。 本稿では,動的モダリティゲーティング(HCT-DMG)を用いた階層型クロスモーダルトランスを提案する。 HCT-DMG: 1) 従来のマルチモーダルモデルを約0.8Mパラメータで上回り、2) 不整合が認識に影響を及ぼすハードサンプルを認識し、3) 潜在レベルの非整合性をクロスモーダルアテンションで緩和する。
  論文  参考訳（メタデータ） (2023-05-23T01:24:15Z)
• Reliable Multimodality Eye Disease Screening via Mixture of Student's t Distributions [49.4545260500952]
  眼疾患スクリーニングのための新しい多モード顕在核融合パイプラインEyeMoStについて紹介する。 本モデルでは,一様性に対する局所的不確実性と融合モードに対する大域的不確実性の両方を推定し,信頼性の高い分類結果を生成する。 パブリックデータセットと社内データセットの両方に関する実験結果から、我々のモデルは現在の手法よりも信頼性が高いことが判明した。
  論文  参考訳（メタデータ） (2023-03-17T06:18:16Z)
• Exploiting modality-invariant feature for robust multimodal emotion recognition with missing modalities [76.08541852988536]
  我々は、欠落したモダリティ・イマジネーション・ネットワーク(IF-MMIN)に不変な特徴を用いることを提案する。 提案モデルは,不確実なモダリティ条件下で,すべてのベースラインを上回り,全体の感情認識性能を不変に向上することを示す。
  論文  参考訳（メタデータ） (2022-10-27T12:16:25Z)
• 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)

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。