論文の概要: Data-Driven Priors for Uncertainty-Aware Deterioration Risk Prediction with Multimodal Data

• arxiv url: http://arxiv.org/abs/2603.08459v1
• Date: Mon, 09 Mar 2026 14:54:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-10 15:13:16.216628
• Title: Data-Driven Priors for Uncertainty-Aware Deterioration Risk Prediction with Multimodal Data
• Title（参考訳）: マルチモーダルデータを用いた不確実性を考慮した劣化リスク予測のためのデータ駆動プライオリティ
• Authors: L. Julián Lechuga López, Tim G. J. Rudner, Farah E. Shamout,
• Abstract要約: 現在の機械学習モデルは、信頼性の高い不確実性推定を欠くことが多く、現実のデプロイメントを妨げる。 病院内リスク予測にマルチモーダルな臨床データを活用する予測不確実性フレームワークであるtextttMedCertAIn$を提案する。 公開データセットであるMIMIC-IVとMIMIC-CXRから,臨床時系列と胸部X線画像を用いて,これらの先行データを用いてモデルを訓練し,評価する。
• 参考スコア（独自算出の注目度）: 11.640422721732756
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Safe predictions are a crucial requirement for integrating predictive models into clinical decision support systems. One approach for ensuring trustworthiness is to enable models' ability to express their uncertainty about individual predictions. However, current machine learning models frequently lack reliable uncertainty estimation, hindering real-world deployment. This is further observed in multimodal settings, where the goal is to enable effective information fusion. In this work, we propose $\texttt{MedCertAIn}$, a predictive uncertainty framework that leverages multimodal clinical data for in-hospital risk prediction to improve model performance and reliability. We design data-driven priors over neural network parameters using a hybrid strategy that considers cross-modal similarity in self-supervised latent representations and modality-specific data corruptions. We train and evaluate the models with such priors using clinical time-series and chest X-ray images from the publicly-available datasets MIMIC-IV and MIMIC-CXR. Our results show that $\texttt{MedCertAIn}$ significantly improves predictive performance and uncertainty quantification compared to state-of-the-art deterministic baselines and alternative Bayesian methods. These findings highlight the promise of data-driven priors in advancing robust, uncertainty-aware AI tools for high-stakes clinical applications.
• Abstract（参考訳）: 安全な予測は、予測モデルを臨床決定支援システムに統合するための重要な要件である。 信頼性を確保するための1つのアプローチは、モデルが個々の予測について不確実性を表現できるようにすることである。 しかし、現在の機械学習モデルは、信頼性の高い不確実性推定をしばしば欠いているため、実際のデプロイメントを妨げている。 これは、効果的な情報融合を可能にすることが目的であるマルチモーダル・セッティングにおいてさらに観察される。 本研究は,多変量の臨床データを病院内リスク予測に活用し,モデルの性能と信頼性を向上させるための予測不確実性フレームワークである$\texttt{MedCertAIn}$を提案する。 我々は、自己教師付き潜在表現とモダリティ固有のデータ破損の相互類似性を考慮したハイブリッド戦略を用いて、ニューラルネットワークパラメータに対するデータ駆動の事前設計を行う。 公開データセットであるMIMIC-IVとMIMIC-CXRから,臨床時系列と胸部X線画像を用いて,これらの先行データを用いてモデルを訓練し,評価する。 以上の結果から,$\texttt{MedCertAIn}$は,最先端の決定論的ベースラインや代替ベイズ手法と比較して予測性能と不確かさの定量化を著しく向上させることがわかった。 これらの発見は、高度な臨床応用のために、堅牢で不確実性を認識したAIツールを進化させる上で、データ駆動の先駆者の存在を浮き彫りにしている。

関連論文リスト

• Diagnostics for Individual-Level Prediction Instability in Machine Learning for Healthcare [0.0]
  2つの相補的診断法を用いて個人レベルの予測不安定性を定量化する評価フレームワークを提案する。 これらの診断をシミュレーションデータとGUSTO-I臨床データセットに適用する。
  論文  参考訳（メタデータ） (2026-02-27T03:42:28Z)
• Bootstrapping-based Regularisation for Reducing Individual Prediction Instability in Clinical Risk Prediction Models [2.1127261244588156]
  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。
  論文  参考訳（メタデータ） (2026-02-11T20:47:30Z)
• 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)
• MedDiffusion: Boosting Health Risk Prediction via Diffusion-based Data Augmentation [58.93221876843639]
  本稿では,MedDiffusion という,エンドツーエンドの拡散に基づくリスク予測モデルを提案する。 トレーニング中に合成患者データを作成し、サンプルスペースを拡大することで、リスク予測性能を向上させる。 ステップワイズ・アテンション・メカニズムを用いて患者の来訪者間の隠れた関係を識別し、高品質なデータを生成する上で最も重要な情報をモデルが自動的に保持することを可能にする。
  論文  参考訳（メタデータ） (2023-10-04T01:36:30Z)
• 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)
• 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。