論文の概要: Bayesian uncertainty estimation improves clinical decision making in medical AI agents

• arxiv url: http://arxiv.org/abs/2607.20582v1
• Date: Wed, 22 Jul 2026 11:54:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-24 18:26:25.174939
• Title: Bayesian uncertainty estimation improves clinical decision making in medical AI agents
• Title（参考訳）: ベイズ不確実性推定は医療AIエージェントの臨床的意思決定を改善する
• Abstract要約: モンテカルロのドロップアウトは、トレーニングセットのスケールをまたいだ一般化を追跡できる不確実な信号であり、信頼できながらエラーを起こしやすい予測を示す。 コントロールされた2x2因子分析実験において、臨床判定支援剤は、生のスコアではなくバイナリエラーリスクフラグとして配信された場合にのみ、この不確実性を利用した。
• 参考スコア（独自算出の注目度）: 3.251669068529209
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Machine learning models for medical image analysis typically lack a reliable measure of confidence, limiting their use in ambiguous or atypical cases. Here we show that Monte Carlo dropout, applied to a multi-task chest-radiograph classifier (eight thoracic findings, 137,593 training images), provides an epistemic uncertainty signal that tracks generalisation across training-set scales and flags confident yet error-prone predictions. Adding this signal to the point prediction raised error-detection AUROC from 0.74 to 0.77 ($Δ$AUROC +0.023, 95% CI [+0.014, +0.033]). In a controlled 2x2 factorial experiment, a clinical-decision-support agent exploited this uncertainty only when it was delivered as a binary error-risk flag rather than as raw scores, cutting confident misdiagnoses on unreliable findings from 8.5% to 2.7%. Epistemic uncertainty estimation thus carries decision-relevant information beyond point predictions, but its value for downstream agents depends on how it is communicated.
• Abstract（参考訳）: 医療画像解析のための機械学習モデルは、信頼性の信頼性を欠き、あいまいなケースや非典型的なケースでの使用を制限するのが一般的である。 ここでは,マルチタスク胸部X線画像分類器 (胸部画像8個, 胸部画像137,593枚) に適用したモンテカルロ・ドロップアウトが, トレーニングセット尺度の一般化を追及し, エラー発生の予測が確実であることを示す。 この信号を点予測に付加すると、エラー検出AUROCは0.74から0.77(Δ$AUROC +0.023, 95% CI [+0.014, +0.033])になった。 コントロールされた2x2因子分析実験において、臨床決定支援剤は、生のスコアではなくバイナリエラーリスクフラグとして提供された場合にのみ、この不確実性を利用して、信頼できない結果の8.5%から2.7%を確実に誤診した。 したがって、疫学的不確実性推定は、ポイント予測以上の決定関連情報をもたらすが、下流エージェントに対するその価値は、どのように通信されるかに依存する。

関連論文リスト

• Rethinking LLM Verification: Evidence Structure, Uncertainty, and Selective Refinement [8.78288626457356]
  本稿では,複数選択条件下での医療仮説検証のための2段階フレームワークを提案する。 棄権は無作為ではなく、真に不確実性を反映し、棄権予測は信頼性の低下に関連していることを示す。 MedReason と MedQA を用いて行った実験により, 禁忌を選択的理性改善のための制御信号として再利用できることが示唆された。
  論文  参考訳（メタデータ） (2026-08-11T09:43:14Z)
• Monte Carlo Dropout Uncertainty and Entropy-Thresholded Selective Prediction for Architecture-Agnostic Brain Tumor MRI Triage [0.0]
  本研究は4クラス脳腫瘍MRIのための不確実性第一パイプラインを提案する。 モンテカルロ (MC) による T = 20 パス上のドロップアウトからの予測の不確実性を読み出し、その結果のエントロピーを、不確実なケースを放射線学者に延期する明示的な規則に変換する。
  論文  参考訳（メタデータ） (2026-07-15T06:21:17Z)
• Explainable Admission-Level Predictive Modeling for Prolonged Hospital Stay in Elderly Populations: Challenges in Low- and Middle-Income Countries [65.4286079244589]
  長期滞在期間 (pLoS) は, 院内感染のリスクに関連する重要な要因である。 入院レベルの患者と病院の診療データを用いて, pLosの予測モデルを開発し, 解説する。
  論文  参考訳（メタデータ） (2026-01-07T23:35:24Z)
• Enhancing Safety in Diabetic Retinopathy Detection: Uncertainty-Aware Deep Learning Models with Rejection Capabilities [0.0]
  糖尿病網膜症(DR)は視覚障害の主要な原因である。 深層学習モデルは網膜画像からDRを特定することに成功している。 本稿では,不確実性を考慮したディープラーニングモデルにおいて,低信頼度予測を拒否する拒否機構を含む代替手法について検討する。
  論文  参考訳（メタデータ） (2025-09-26T01:47:43Z)
• 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)
• 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)
• Diagnosis Uncertain Models For Medical Risk Prediction [80.07192791931533]
  本研究は, 患者の診断にはアクセスできない, バイタルサイン, 検査値, 既往歴にアクセス可能な患者リスクモデルについて考察する。 このようなすべての原因のリスクモデルが、診断全体にわたって良い一般化を持つが、予測可能な障害モードを持つことが示される。 患者診断の不確実性から生じるリスク予測の不確実性を明示的にモデル化し,この問題に対する対策を提案する。
  論文  参考訳（メタデータ） (2023-06-29T23:36:04Z)
• Conservative Prediction via Data-Driven Confidence Minimization [70.93946578046003]
  機械学習の安全性クリティカルな応用においては、モデルが保守的であることが望ましいことが多い。 本研究では,不確実性データセットに対する信頼性を最小化するデータ駆動信頼性最小化フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-06-08T07:05:36Z)
• 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)
• Integrating uncertainty in deep neural networks for MRI based stroke analysis [0.0]
  2次元磁気共鳴(MR)画像における脳梗塞の確率を示すベイズ畳み込みニューラルネットワーク(CNN)を提案する。 CNNは511例のコホートで、画像レベルでは95.33%の精度を達成し、非バイエルン人に比べて2%の大幅な改善を示した。
  論文  参考訳（メタデータ） (2020-08-13T09:50:17Z)
• Learning to Predict Error for MRI Reconstruction [67.76632988696943]
  提案手法による予測の不確実性は予測誤差と強く相関しないことを示す。 本稿では,2段階の予測誤差の目標ラベルと大小を推定する新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-02-13T15:55:32Z)

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。