論文の概要: Uncertainty-Aware Foundation Models for Clinical Data

• arxiv url: http://arxiv.org/abs/2604.04175v1
• Date: Sun, 05 Apr 2026 16:44:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-07 15:49:18.962466
• Title: Uncertainty-Aware Foundation Models for Clinical Data
• Title（参考訳）: 臨床データに対する不確実性認識基盤モデル
• Authors: Qian Zhou, Yuanyun Zhang, Shi Li,
• Abstract要約: 本稿では,各患者をポイント埋め込みではなく,有効な潜伏状態の分布として表現する不確実性認識基盤モデリングの枠組みを提案する。 我々は、この定式化をマルチモーダルエンコーダとスケーラブルな自己教師対象と統合し、再構成、コントラストアライメント、分散正規化を組み合わせた。
• 参考スコア（独自算出の注目度）: 12.07343307130062
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Healthcare foundation models have largely followed paradigms from natural language processing and computer vision, emphasizing large scale pretraining and deterministic representations over heterogeneous clinical data. However, clinical observations are inherently incomplete, reflecting sparse, irregular, and modality dependent measurements of an underlying physiologic state. In this work, we propose a framework for uncertainty aware foundation modeling that represents each patient not as a point embedding, but as a distribution over plausible latent states. By learning set valued representations and enforcing consistency across partial views of the same patient, the model captures what is invariantly inferable while explicitly encoding epistemic uncertainty. We integrate this formulation with multimodal encoders and scalable self supervised objectives, combining reconstruction, contrastive alignment, and distributional regularization. Across diverse clinical tasks, our approach improves predictive performance, robustness under missing data, and uncertainty calibration relative to strong baselines. These results suggest that modeling what is not observed rather than only what is constitutes a critical inductive bias for healthcare foundation models.
• Abstract（参考訳）: 医療基盤モデルは、自然言語処理やコンピュータビジョンのパラダイムに大きく従い、異種の臨床データに対する大規模な事前訓練と決定論的表現を強調している。 しかし、臨床観察は本質的に不完全であり、下層の生理状態のスパース、不規則、モダリティに依存した測定を反映している。 本研究では,各患者をポイント埋め込みではなく,可塑性潜伏状態の分布として表現する不確実性認識基盤モデリングの枠組みを提案する。 設定された値表現を学習し、同じ患者の部分的なビューをまたいで一貫性を強制することにより、モデルは、認識の不確実性を明示的に符号化しながら、不変に推論可能なものをキャプチャする。 我々は、この定式化をマルチモーダルエンコーダとスケーラブルな自己教師対象と統合し、再構成、コントラストアライメント、分散正規化を組み合わせた。 様々な臨床課題にまたがって, 予測性能, 欠落したデータに対する頑健性, 強いベースラインに対する不確実性校正を改良する。 これらの結果は、医療基盤モデルにとって重要な帰納バイアスとなるものだけでなく、観察されないものもモデル化できることを示唆している。

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)
• PRISM: A 3D Probabilistic Neural Representation for Interpretable Shape Modeling [9.456135223836181]
  PRISMは、暗黙の神経表現を不確実性を考慮した統計的形状解析で橋渡しする新しいフレームワークである。 重要な理論的貢献はクローズドフォームのフィッシャー情報計量であり、効率的で分析的に抽出可能な局所的時間的不確実性定量化を可能にする。
  論文  参考訳（メタデータ） (2026-02-12T00:55:31Z)
• 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)
• 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)
• Conformal uncertainty quantification to evaluate predictive fairness of foundation AI model for skin lesion classes across patient demographics [8.692647930497936]
  我々は、コンフォメーション解析を用いて、視覚変換器に基づく基礎モデルの予測不確かさを定量化する。 基礎モデルの特徴埋め込みの堅牢性を評価するために、公正度測定としてどのように使用できるかを示す。
  論文  参考訳（メタデータ） (2025-03-31T08:06:00Z)
• 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)
• Bayesian Networks for the robust and unbiased prediction of depression and its symptoms utilizing speech and multimodal data [65.28160163774274]
  我々は,抑うつ,抑うつ症状,および,胸腺で収集された音声,表情,認知ゲームデータから得られる特徴の関連性を把握するためにベイズ的枠組みを適用した。
  論文  参考訳（メタデータ） (2022-11-09T14:48:13Z)
• Causal Inference via Nonlinear Variable Decorrelation for Healthcare Applications [60.26261850082012]
  線形および非線形共振の両方を扱う可変デコリレーション正規化器を用いた新しい手法を提案する。 我々は、モデル解釈可能性を高めるために、元の特徴に基づくアソシエーションルールマイニングを用いた新しい表現として、アソシエーションルールを採用する。
  論文  参考訳（メタデータ） (2022-09-29T17:44:14Z)
• Benchmarking Heterogeneous Treatment Effect Models through the Lens of Interpretability [82.29775890542967]
  治療のパーソナライズされた効果を見積もるのは複雑だが、普及している問題である。 ヘテロジニアス処理効果推定に関する機械学習文献の最近の進歩は、洗練されたが不透明なツールの多くを生み出した。 我々は、ポストホックな特徴重要度法を用いて、モデルの予測に影響を及ぼす特徴を特定する。
  論文  参考訳（メタデータ） (2022-06-16T17:59:05Z)

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。