論文の概要: Principled Uncertainty in Clinical AI: End-to-End Bayesian Modelling and Algorithmic Equity Auditing Across Multimodal Patient Data

• arxiv url: http://arxiv.org/abs/2606.09789v1
• Date: Mon, 08 Jun 2026 17:44:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-09 14:42:07.61151
• Title: Principled Uncertainty in Clinical AI: End-to-End Bayesian Modelling and Algorithmic Equity Auditing Across Multimodal Patient Data
• Title（参考訳）: 臨床AIにおける原理的不確実性:マルチモーダル患者データに対するエンド・ツー・エンドベイズモデルとアルゴリズム的等価性
• Authors: Oladimeji Anthonio, Dimeji Abdulsobur Olawuyi, Oloruntoba Ajayi, Temiloluwa Aderemi, Joseph Odamo,
• Abstract要約: 本稿では,(1)完全エンドツーエンドのベイズ不確実性モデリングフレームワークの開発,(2)アルゴリズムエクイティの形式的尺度としてのキャリブレーションされた不確実性推定の適用,という2つの相互接続問題に対処する。 本研究では,モーダリティ固有の変分エンコーダと,精度重み付きレイトフュージョン機構,分解不確実性出力からなる確率論的ディープラーニングアーキテクチャを構築した。 我々は,1000人の模擬患者のデータセットを用いて,社会経済的地位タイプ,年齢グループ,生物学的セックスのエクイティ監査を行った。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Clinical artificial intelligence (AI) systems routinely produce predictions without principled quantification of uncertainty, limiting their trustworthiness in high-stakes medical environments. This paper presents an integrated research programme addressing two interconnected problems: (1) the development of a fully end-to-end Bayesian uncertainty modelling framework for multimodal clinical data, and (2) the application of calibrated uncertainty estimates as a formal measure of algorithmic equity across patient subgroups. We construct a probabilistic deep learning architecture comprising modality-specific variational encoders, a precision-weighted late fusion mechanism, and a decomposed uncertainty output head that separates aleatoric from epistemic uncertainty. The system is trained with a composite Bayesian loss incorporating binary cross-entropy, Kullback-Leibler divergence regularisation, and an uncertainty calibration penalty. We evaluate model calibration using Expected Calibration Error (ECE = 0.096) and conduct a subgroup equity audit across facility type, socioeconomic status, age group, and biological sex on a dataset of 1,000 simulated patients. Results demonstrate that epistemic uncertainty systematically identifies underserved populations: primary/rural facility patients show a 15.3% uncertainty equity gap (p < 0.001, effect size = 0.698), low socioeconomic status patients exhibit a 6.8% gap (p < 0.001), and elderly patients show a 3.9% gap (p < 0.001), whilst no significant sex-based disparity is detected. These findings establish that calibrated uncertainty is not merely a technical property of probabilistic models but constitutes an actionable equity signal with direct clinical relevance.
• Abstract（参考訳）: 臨床人工知能(AI)システムは、不確実性の原理的な定量化を伴わない予測を日常的に生成し、高い医療環境における信頼性を制限している。 本稿では, 患者サブグループ間のアルゴリズムエクイティの形式的尺度として, マルチモーダルな臨床データのための完全エンドツーエンドのベイズ不確実性モデリングフレームワークの開発, およびキャリブレーションされた不確実性推定を応用した2つの相互接続問題に対処する総合的な研究プログラムを提案する。 本研究では,モーダリティ固有の変分エンコーダと,精度重み付き後期融合機構と,エレタリックとてんかんの不確かさを分離する分解不確実性出力ヘッドからなる確率的ディープラーニングアーキテクチャを構築した。 このシステムは、二進的クロスエントロピー、クルバック・リーブラー分散正規化、不確実な校正ペナルティを組み込んだ複合ベイズ損失を用いて訓練される。 予測校正誤差 (ECE=0.096) を用いてモデル校正を行い, 施設タイプ, 社会経済的地位, 年齢群, 生物学的性別のサブグループ・エクイティ・監査を行った。 その結果, 初等・農村施設患者は15.3%の不確実性格差(p < 0.001, 効果サイズ = 0.698), 低社会経済状態患者は6.8%(p < 0.001), 高齢者は3.9%(p < 0.001), 有意な性差は検出されなかった。 これらの結果から, キャリブレーションされた不確実性は, 単に確率論的モデルの技術的特性であるだけでなく, 直接臨床関連性を有する実用的なエクイティ信号を構成することが示唆された。

関連論文リスト

• RISED: A Pre-Deployment Safety Evaluation Framework for Clinical AI Decision-Support Systems [0.0]
  本稿では,信頼性,指数性,感度,等価性,展開性に関する5次元事前デプロイ評価を提案する。 RISEDはオープンソースのPythonパッケージとしてリリースされ、既存の臨床AIレポート標準の量的検証を提供する。
  論文  参考訳（メタデータ） (2026-05-13T02:17:13Z)
• 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)
• 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)
• ClinNet: Evidential Ordinal Regression with Bilateral Asymmetry and Prototype Memory for Knee Osteoarthritis Grading [3.337151338735509]
  X線画像に基づく膝関節症(KOA)の診断は極めて難しい課題である。 本研究では, KOA グレーディングに対処する信頼性の高い新しいフレームワーク ClinNet を提案する。
  論文  参考訳（メタデータ） (2026-01-24T05:49:41Z)
• 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)
• 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)
• A personalized Uncertainty Quantification framework for patient survival models: estimating individual uncertainty of patients with metastatic brain tumors in the absence of ground truth [4.665141823455397]
  脳転移に対する定位放射線治療を施行した1383例を対象に,本手法を考案し,評価した。 以上の結果から,全てのモデルにおいてICPが最低不確実性(2.21%),ICPDが最低不確実性(17.28%)を示した。
  論文  参考訳（メタデータ） (2023-11-28T19:07:30Z)
• 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)
• 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)

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。