Fugu-MT 論文翻訳(概要): CASCADE Conformal Prediction: Uncertainty-Adaptive Prediction Intervals for Two-Stage Clinical Decision Support

論文の概要: CASCADE Conformal Prediction: Uncertainty-Adaptive Prediction Intervals for Two-Stage Clinical Decision Support

arxiv url: http://arxiv.org/abs/2605.20468v1
Date: Tue, 19 May 2026 20:30:10 GMT
ステータス: 翻訳完了
システム内更新日: 2026-05-21 19:19:56.365087
Title: CASCADE Conformal Prediction: Uncertainty-Adaptive Prediction Intervals for Two-Stage Clinical Decision Support
Title（参考訳）: CASCADE Conformal Prediction: Uncertainty-Adaptive Prediction Intervals for Two-Stage Clinical Decision Support
Abstract要約: 本稿では,CASCADE(Calibrated Adaptive Scaling via Conformal and Distributional Estimation)を紹介した。 Venn-Abersの多確率不確実性を直接非整合性スコアにマッピングすることにより、我々のフレームワークは継続的なリスク適応を実現する。
参考スコア（独自算出の注目度）: 0.3681040154986213
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Effective medication management in Parkinson's Disease (PD) is challenging due to heterogeneous disease progression, variable patient response, and medication side effects. While AI models can forecast levodopa equivalent daily dose (LEDD) as a measure of medication needs, standard uncertainty quantification often fails to communicate the reliability of these predictions, treating high and low confidence clinical decisions identically. We introduce CASCADE (Calibrated Adaptive Scaling via Conformal And Distributional Estimation), a novel conformal prediction framework that propagates epistemic uncertainty from a screening classifier to adapt downstream predictions. Unlike standard conformal methods that rely on auxiliary residual regression, we leverage epistemic uncertainty from a primary classification task (identifying whether a medication change is needed) to dynamically scale the prediction intervals of a secondary regression task (predicting how much change). By mapping Venn-Abers multi-probabilistic uncertainty directly to non-conformity scores, our framework achieves continuous risk adaptation. We demonstrate that this ``cascade effect'' produces highly efficient intervals for confident patients (38.9% narrower than standard conformal baselines) while automatically expanding intervals to ensure robust coverage for uncertain cases, bridging the gap between discrete clinical decision-making and continuous dose forecasting in PD.
Abstract（参考訳）: パーキンソン病(PD)の効果的な薬物管理は、異種性疾患の進行、患者反応の変化、薬物副作用により困難である。 AIモデルは、処方薬のニーズの尺度としてレボドーパ等価日用量(LEDD)を予測できるが、標準的な不確実性定量化は、これらの予測の信頼性を伝達できず、高信頼と低信頼の臨床的決定を同一に扱う。そこで我々はCASCADE(Calibrated Adaptive Scaling via Conformal And Distributional Estimation)を紹介した。補助的残留回帰に依存する標準のコンフォメーション法とは異なり、一次分類タスク(薬物の変化が必要かどうかを識別する)からの疫学的不確実性を利用して、二次回帰タスクの予測間隔を動的にスケールする(変化の程度を予測する)。 Venn-Abersの多確率不確実性を直接非整合性スコアにマッピングすることにより、我々のフレームワークは継続的なリスク適応を実現する。この「カスケード・エフェクト」は、信頼性のある患者に対して高い効率な間隔(標準のコンフォメーションベースラインよりも38.9%狭い)を生じる一方で、不確実な症例に対する堅牢なカバレッジを確保するために自動的に間隔を拡大し、PDにおける個別臨床意思決定と連続線量予測のギャップを埋めることを示した。

関連論文リスト

Towards Trustworthy Depression Estimation via Disentangled Evidential Learning [50.22167852149165]
EviDepはうつ病の重症度を共同で定量化する明らかな学習フレームワークである。 EviDepは、堅牢な証拠合成を保証するために厳密な情報整合性を強制する。最先端の予測精度と優れた不確実性校正を実現し、信頼できる臨床スクリーニングのための堅牢なフェールセーフメカニズムを提供する。
論文参考訳（メタデータ） (2026-04-17T13:27:11Z)
Calibrated Bayesian Deep Learning for Explainable Decision Support Systems Based on Medical Imaging [6.826979426009301]
モデルが予測精度と相関する方法で不確実性を定量化し、臨床医がさらなるレビューのために信頼できないアウトプットを特定できることが不可欠である。本稿では,ベイズ深層学習に基づく一般化可能な確率的最適化フレームワークを提案する。特に、信頼性・不確実性境界損失(CUB-Loss)が新しく導入され、高い精度の誤差と低い精度の正確な予測に罰則が課せられる。提案手法は, 肺炎の自動スクリーニング, 糖尿病性網膜症検出, 皮膚病変の同定という, 3つの異なる医用画像処理課題に対して検証された。
論文参考訳（メタデータ） (2026-02-12T14:03:41Z)
Towards Trustworthy Vital Sign Forecasting: Leveraging Uncertainty for Prediction Intervals [32.233133404873016]
本稿では,不確実性評価(Restruction Uncertainty Estimate, RUE)からPIを導出する2つの手法を提案する。これらの手法を、高頻度および低頻度の健康信号を表わし、分・時間レベルのサンプリングを施した2つの大規模公共データセット上で評価した。
論文参考訳（メタデータ） (2025-09-01T10:03:26Z)
Uncertainty-Aware Prediction of Parkinson's Disease Medication Needs: A Two-Stage Conformal Prediction Approach [0.7698244331796432]
現在のアプローチは、体系的な予測方法のない試行錯誤決定に依存している。機械学習の進歩にもかかわらず、ポイント予測に依存するため、臨床導入は限定的である。医薬品の需要を最大2年間予測するコンフォメーション予測フレームワークを開発した。
論文参考訳（メタデータ） (2025-08-14T02:22:41Z)
SConU: Selective Conformal Uncertainty in Large Language Models [59.25881667640868]
SconU(Selective Conformal Uncertainity)と呼ばれる新しいアプローチを提案する。我々は,特定の管理可能なリスクレベルで設定されたキャリブレーションの不確実性分布から,与えられたサンプルが逸脱するかどうかを決定するのに役立つ2つの共形p値を開発する。我々のアプローチは、単一ドメインと学際的コンテキストの両方にわたる誤発見率の厳密な管理を促進するだけでなく、予測の効率を高める。
論文参考訳（メタデータ） (2025-04-19T03:01:45Z)
Conformal Prediction for Dose-Response Models with Continuous Treatments [0.23213238782019321]
本稿では,線量応答モデルに対する予測区間を生成する新しい手法を提案する。重み付き共形予測においてカーネル関数を重みとして適用することにより,各処理値の局所的カバレッジを近似する。
論文参考訳（メタデータ） (2024-09-30T15:40:54Z)
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)
Quantifying predictive uncertainty of aphasia severity in stroke patients with sparse heteroscedastic Bayesian high-dimensional regression [47.1405366895538]
高次元データに対する疎線型回帰法は、通常、残留物が一定の分散を持つと仮定するが、これは実際には破ることができる。本稿では,ヘテロセダスティック分割経験的ベイズ期待条件最大化アルゴリズムを用いて,高次元ヘテロセダスティック線形回帰モデルを推定する。
論文参考訳（メタデータ） (2023-09-15T22:06:29Z)
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)
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)
DEUP: Direct Epistemic Uncertainty Prediction [56.087230230128185]
認識の不確実性は、学習者の知識の欠如によるサンプル外の予測エラーの一部である。一般化誤差の予測を学習し, aleatoric uncertaintyの推定を減算することで, 認識的不確かさを直接推定する原理的アプローチを提案する。
論文参考訳（メタデータ） (2021-02-16T23:50:35Z)
Increasing the efficiency of randomized trial estimates via linear adjustment for a prognostic score [59.75318183140857]
ランダム化実験による因果効果の推定は臨床研究の中心である。歴史的借用法のほとんどは、厳格なタイプiエラー率制御を犠牲にして分散の削減を達成する。
論文参考訳（メタデータ） (2020-12-17T21:10:10Z)

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。