論文の概要: Reliable XAI Explanations in Sudden Cardiac Death Prediction for Chagas Cardiomyopathy

• arxiv url: http://arxiv.org/abs/2602.22288v1
• Date: Wed, 25 Feb 2026 14:23:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-27 18:41:22.357077
• Title: Reliable XAI Explanations in Sudden Cardiac Death Prediction for Chagas Cardiomyopathy
• Title（参考訳）: Chagas 心筋症における急激な心死予測における信頼性XAI説明
• Authors: Vinícius P. Chagas, Luiz H. T. Viana, Mac M. da S. Carlos, João P. V. Madeiro, Roberto C. Pedrosa, Thiago Alves Rocha, Carlos H. L. Cavalcante,
• Abstract要約: 急激な心臓死(SCD)は予測不可能であり,Chagas(CC)での予測は依然として重要な課題である。 AIやマシンモデルはリスク階層化を改善する一方で、その採用は透明性の欠如によって妨げられている。 CCにおけるSCD予測問題に対して,正確性を保証する論理に基づく説明可能性法を適用した。
• 参考スコア（独自算出の注目度）: 0.879504058268139
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Sudden cardiac death (SCD) is unpredictable, and its prediction in Chagas cardiomyopathy (CC) remains a significant challenge, especially in patients not classified as high risk. While AI and machine learning models improve risk stratification, their adoption is hindered by a lack of transparency, as they are often perceived as \textit{black boxes} with unclear decision-making processes. Some approaches apply heuristic explanations without correctness guarantees, leading to mistakes in the decision-making process. To address this, we apply a logic-based explainability method with correctness guarantees to the problem of SCD prediction in CC. This explainability method, applied to an AI classifier with over 95\% accuracy and recall, demonstrated strong predictive performance and 100\% explanation fidelity. When compared to state-of-the-art heuristic methods, it showed superior consistency and robustness. This approach enhances clinical trust, facilitates the integration of AI-driven tools into practice, and promotes large-scale deployment, particularly in endemic regions where it is most needed.
• Abstract（参考訳）: 急激な心臓死(SCD)は予測不可能であり,特にリスクが高いと分類されていない患者では,シャガス心筋症(CC)の予測は大きな課題である。 AIと機械学習モデルはリスク階層化を改善するが、その採用は透明性の欠如によって妨げられる。 いくつかのアプローチでは、正確性を保証することなくヒューリスティックな説明を適用し、意思決定プロセスに誤りをもたらす。 そこで我々は, CCにおけるSCD予測問題に対して, 正確性を保証する論理に基づく説明可能性法を適用した。 95%以上の精度とリコールを有するAI分類器に適用されたこの説明可能性法は、強い予測性能と100\%の説明忠実性を示した。 最先端のヒューリスティック手法と比較すると、一貫性と堅牢性に優れていた。 このアプローチは、臨床信頼を高め、AI駆動ツールの実践への統合を促進し、特に最も必要となる内科領域における大規模デプロイメントを促進する。

関連論文リスト

• Agentic Uncertainty Quantification [76.94013626702183]
  本稿では,言語化された不確実性をアクティブな双方向制御信号に変換する統合されたデュアルプロセスエージェントUQ(AUQ)フレームワークを提案する。 システム1(Uncertainty-Aware Memory, UAM)とシステム2(Uncertainty-Aware Reflection, UAR)は、これらの説明を合理的な手段として利用し、必要な時にのみターゲットの推論時間解決をトリガーする。
  論文  参考訳（メタデータ） (2026-01-22T07:16:26Z)
• Conformal Risk Control for Semantic Uncertainty Quantification in Computed Tomography [8.992691662614206]
  臓器依存的不確実性評価のためのCRC法を提案する。 本手法は各患者の解剖や臓器の位置に応じて意味的に適応する。 本手法は,実世界のCT(Computerd tomography)データに対して,より厳密な不確実性区間を提供する。
  論文  参考訳（メタデータ） (2025-02-28T19:27:07Z)
• SepsisLab: Early Sepsis Prediction with Uncertainty Quantification and Active Sensing [67.8991481023825]
  セプシスは米国での院内死亡の主な原因である。 既存の予測モデルは通常、情報不足の少ない高品質なデータで訓練される。 限られた観察により信頼性の低い高リスク患者に対して,ロバストな能動センシングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-07-24T04:47:36Z)
• Inadequacy of common stochastic neural networks for reliable clinical decision support [0.4262974002462632]
  医療意思決定におけるAIの普及は、倫理的および安全性に関する懸念から、いまだに妨げられている。 しかし、一般的なディープラーニングアプローチは、データシフトによる過信傾向にある。 本研究は臨床応用における信頼性について考察する。
  論文  参考訳（メタデータ） (2024-01-24T18:49:30Z)
• 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)
• Dual-Consistency Semi-Supervised Learning with Uncertainty Quantification for COVID-19 Lesion Segmentation from CT Images [49.1861463923357]
  CT画像を用いた半監視型COVID-19病変分割のための不確実性誘導型二重一貫性学習ネットワーク(UDC-Net)を提案する。 提案した UDC-Net は,Dice の完全教師方式を 6.3% 向上させ,他の競合的半監督方式を有意なマージンで上回っている。
  論文  参考訳（メタデータ） (2021-04-07T16:23:35Z)

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。