論文の概要: Bootstrapping-based Regularisation for Reducing Individual Prediction Instability in Clinical Risk Prediction Models

• arxiv url: http://arxiv.org/abs/2602.11360v1
• Date: Wed, 11 Feb 2026 20:47:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-13 21:07:25.537341
• Title: Bootstrapping-based Regularisation for Reducing Individual Prediction Instability in Clinical Risk Prediction Models
• Title（参考訳）: クリニカルリスク予測モデルにおけるブートストラップによる個人予測不安定度低減のための正規化
• Authors: Sara Matijevic, Christopher Yau,
• Abstract要約: 本稿では,ブートストラッププロセスを直接深層ニューラルネットワークのトレーニングに組み込む,ブートストラップに基づく新たな正規化フレームワークを提案する。 このアプローチは、再サンプリングされたデータセット間の予測変数を制約し、固有の安定性特性を持つ単一のモデルを生成する。 提案手法を従来モデルとアンサンブルモデルに対して提案した正規化手法を用いて構築したモデルを評価した。
• 参考スコア（独自算出の注目度）: 2.1127261244588156
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Clinical prediction models are increasingly used to support patient care, yet many deep learning-based approaches remain unstable, as their predictions can vary substantially when trained on different samples from the same population. Such instability undermines reliability and limits clinical adoption. In this study, we propose a novel bootstrapping-based regularisation framework that embeds the bootstrapping process directly into the training of deep neural networks. This approach constrains prediction variability across resampled datasets, producing a single model with inherent stability properties. We evaluated models constructed using the proposed regularisation approach against conventional and ensemble models using simulated data and three clinical datasets: GUSTO-I, Framingham, and SUPPORT. Across all datasets, our model exhibited improved prediction stability, with lower mean absolute differences (e.g., 0.019 vs. 0.059 in GUSTO-I; 0.057 vs. 0.088 in Framingham) and markedly fewer significantly deviating predictions. Importantly, discriminative performance and feature importance consistency were maintained, with high SHAP correlations between models (e.g., 0.894 for GUSTO-I; 0.965 for Framingham). While ensemble models achieved greater stability, we show that this came at the expense of interpretability, as each constituent model used predictors in different ways. By regularising predictions to align with bootstrapped distributions, our approach allows prediction models to be developed that achieve greater robustness and reproducibility without sacrificing interpretability. This method provides a practical route toward more reliable and clinically trustworthy deep learning models, particularly valuable in data-limited healthcare settings.
• Abstract（参考訳）: 臨床予測モデルは、患者のケアを支援するために使われることが多いが、多くの深層学習に基づくアプローチは不安定であり、同じ集団の異なるサンプルでトレーニングされた場合、その予測は大きく異なる可能性がある。 このような不安定さは、信頼性を損ね、臨床応用を制限する。 本研究では,ブートストラッププロセスを直接深層ニューラルネットワークのトレーニングに組み込む,ブートストラップに基づく新たな正規化フレームワークを提案する。 このアプローチは、再サンプリングされたデータセット間の予測変数を制約し、固有の安定性特性を持つ単一のモデルを生成する。 シミュレーションデータと3つの臨床データセット(GUSTO-I, Framingham, Support)を用いて, 従来型およびアンサンブルモデルに対する正規化手法を用いて構築したモデルを評価した。 その結果,GUSTO-Iでは0.019,GUSTO-Iでは0.059,Framinghamでは0.057,Framinghamでは0.088)平均絶対差が有意に小さく,予測安定性が向上した。 重要な点として、差別的性能と特徴的重要性の整合性が維持され、モデル間で高いSHAP相関(例えば、GUSTO-Iでは0.894、フラミンハムでは0.965)が得られた。 アンサンブルモデルの安定性は向上したが,各構成モデルは予測器を異なる方法で使用するため,解釈可能性の犠牲となった。 ブートストラップ分布と整合する予測を正規化することにより,解釈性を犠牲にすることなく,より堅牢で再現性の高い予測モデルを開発できる。 この方法は、信頼性が高く、臨床的に信頼できるディープラーニングモデルへの実践的な道筋を提供する。

関連論文リスト

• Latent Neural-ODE for Model-Informed Precision Dosing: Overcoming Structural Assumptions in Pharmacokinetics [3.0991186209192794]
  タクロリムスAUC予測のための遅延正規微分方程式(Latent ODE)に基づく新しいデータ駆動方式を提案する。 このディープラーニングアプローチは、疎い臨床データから個別化されたダイナミクスを直接学習する。 潜在ODEモデルは、標準的な仮定から逸脱した基盤となる生物学的メカニズムであっても、優れた堅牢性を示し、高い精度を維持した。
  論文  参考訳（メタデータ） (2026-02-03T07:30:48Z)
• Investigating the Impact of Histopathological Foundation Models on Regressive Prediction of Homologous Recombination Deficiency [52.50039435394964]
  回帰に基づくタスクの基礎モデルを体系的に評価する。 我々は5つの最先端基礎モデルを用いて、スライド画像全体(WSI)からパッチレベルの特徴を抽出する。 乳房、子宮内膜、肺がんコホートにまたがるこれらの抽出された特徴に基づいて、連続したRDDスコアを予測するモデルが訓練されている。
  論文  参考訳（メタデータ） (2026-01-29T14:06:50Z)
• Subject-Adaptive Sparse Linear Models for Interpretable Personalized Health Prediction from Multimodal Lifelog Data [18.017666750186336]
  SASLは、パーソナライズされた健康予測のために明示的に設計された解釈可能なモデリングアプローチである。 本研究では, 平均F1スコアを最大化するために, 平均F1スコアを最大化するためにレグレッション-then-thresholdingアプローチを開発する。 本質的に困難な予測のために、SASLは信頼性ベースのゲーティングを通じて、コンパクトなLightGBMモデルの出力を選択的に組み込む。
  論文  参考訳（メタデータ） (2025-10-03T09:17:57Z)
• On Arbitrary Predictions from Equally Valid Models [49.56463611078044]
  モデル多重性(英: Model multiplicity)とは、同じ患者に対して矛盾する予測を認める複数の機械学習モデルを指す。 たとえ小さなアンサンブルであっても、実際は予測的多重性を緩和・緩和できることを示す。
  論文  参考訳（メタデータ） (2025-07-25T16:15:59Z)
• Advancing Tabular Stroke Modelling Through a Novel Hybrid Architecture and Feature-Selection Synergy [0.9999629695552196]
  本研究は、ストロークを予測するように設計されたデータ駆動型、解釈可能な機械学習フレームワークを開発し、検証する。 定期的に収集された人口統計、生活習慣、臨床変数は4,981件の公的なコホートから得られた。 提案したモデルでは精度97.2%、F1スコア97.15%が達成され、先行する個人モデルと比較して大幅に向上した。
  論文  参考訳（メタデータ） (2025-05-18T21:46:45Z)
• Evidential time-to-event prediction with calibrated uncertainty quantification [12.446406577462069]
  Time-to-event分析は、臨床予後と治療勧告に関する洞察を提供する。 本稿では,時間とイベントの予測に特化して設計された明らかな回帰モデルを提案する。 我々のモデルは正確かつ信頼性の高い性能を提供し、最先端の手法より優れていることを示す。
  論文  参考訳（メタデータ） (2024-11-12T15:06:04Z)
• An Epistemic and Aleatoric Decomposition of Arbitrariness to Constrain the Set of Good Models [7.620967781722717]
  最近の研究では、機械学習(ML)モデルがトレーニング手順の微妙な変更に対して非常に敏感であることが示されている。 安定性は, てんかん成分と動脈成分に分解され, 予測の一貫性と信頼性を捉える。 そこで本研究では,既存の精度と公平性の基準と合わせて,てんかんおよび失読の基準を含むモデル選択手法を提案し,良質なモデルの集合を絞り込むことに成功したことを示す。
  論文  参考訳（メタデータ） (2023-02-09T09:35:36Z)
• When in Doubt: Neural Non-Parametric Uncertainty Quantification for Epidemic Forecasting [70.54920804222031]
  既存の予測モデルは不確実な定量化を無視し、誤校正予測をもたらす。 不確実性を考慮した時系列予測のためのディープニューラルネットワークの最近の研究にもいくつかの制限がある。 本稿では,予測タスクを確率的生成過程としてモデル化し,EPIFNPと呼ばれる機能的ニューラルプロセスモデルを提案する。
  論文  参考訳（メタデータ） (2021-06-07T18:31:47Z)
• 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)
• Unlabelled Data Improves Bayesian Uncertainty Calibration under Covariate Shift [100.52588638477862]
  後続正則化に基づく近似ベイズ推定法を開発した。 前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
  論文  参考訳（メタデータ） (2020-06-26T13:50:19Z)

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。