論文の概要: Uncertainty of Vision Medical Foundation Models

• arxiv url: http://arxiv.org/abs/2608.30390v1
• Date: Mon, 31 Aug 2026 07:43:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-01 18:31:31.291763
• Title: Uncertainty of Vision Medical Foundation Models
• Title（参考訳）: ビジョン・メディカル・ファンデーション・モデルの不確実性
• Abstract要約: 本研究では,事前学習アプローチ,データセットスケール,ドメインが点数および領域レベルの不確実性定量化に与える影響について検討する。 その結果、高品質なドメイン特化データセットの事前学習と自己教師付き学習が、より良い校正点予測に繋がることを示した。
• 参考スコア（独自算出の注目度）: 1.6402320507315202
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate uncertainty estimation is essential for machine learning systems de- ployed in high-stakes domains such as medicine. Traditional approaches primarily rely on probability outputs from trained models (point predictions), which provide no formal guarantees on prediction coverage and often require additional calibra- tion techniques to improve reliability. In contrast, conformal prediction (region prediction) offers a principled alternative by generating prediction sets with finite- sample validity guarantees, ensuring that the ground truth is contained within the set at a specified confidence level. In this study, we explore the impact of pre-training approach, dataset scale and domain on both point and region-level uncertainty quantification, by studying domain-specific vision medical foundation models vs. general domain vision foundation models. We conduct a comprehensive evaluation across foundation models trained on retinal, histopathological, and Chest X-Rays data, applying various calibration techniques. Our results demonstrate that (1) pre-training on higher-quality domain-specific datasets along with self-supervised learning leads to better-calibrated point predictions than general domain pre-training, (2) stan- dard re-calibration methods alone cannot fully mitigate uncertainty discrepancies across models trained on different data sources, (3) domain-specific foundation model can lead to more efficient conformal prediction. These findings highlight the importance of careful model selection and the inte- gration of both point and region prediction to enhance the reliability and trust- worthiness of medical AI systems. Our work underscores the need for a holistic approach to uncertainty quantification in recent development of medical vision foundation model, ensuring robust and interpretable AI-driven decision-making.
• Abstract（参考訳）: 医療などの高用量領域でデプロイクされた機械学習システムには,正確な不確実性推定が不可欠である。 従来のアプローチは、主に訓練されたモデル(ポイント予測)からの確率出力に依存しており、予測カバレッジの正式な保証は提供せず、信頼性を向上させるために追加のカリブラオプション技術を必要とすることが多い。 これとは対照的に、共形予測(リージョン予測)は、有限サンプルの妥当性を保証する予測セットを生成し、基底真理が指定された信頼度レベルでセット内に含まれることを保証することによって、原則化された代替手段を提供する。 本研究では、ドメイン固有ビジョン医療基盤モデルと一般ドメインビジョン基礎モデルとを比較検討し、事前学習アプローチ、データセットスケール、ドメインがポイントレベルおよび地域レベルの不確実性定量化に与える影響について検討する。 我々は網膜、病理組織学、胸部X線データに基づいてトレーニングされた基礎モデルに対して総合的な評価を行い、様々な校正手法を適用した。 以上の結果から,(1)自己教師付き学習による高品質なドメイン固有データセットの事前学習が,一般ドメイン事前学習よりも優れた校正点予測につながること,(2)stan-dard再校正法だけでは,異なるデータソースで訓練されたモデル間の不確実性の不一致を完全に軽減できないこと,(3)ドメイン固有基盤モデルにより,より効率的なコンフォメーション予測が可能であること,などが示唆された。 これらの知見は、医療AIシステムの信頼性と信頼性を高めるために、注意深いモデル選択と、ポイントとリージョンの予測のインテグレーションの重要性を浮き彫りにしている。 我々の研究は、最近の医療ビジョン基盤モデルの開発において、不確実性定量化に対する全体論的アプローチの必要性を強調し、堅牢で解釈可能なAIによる意思決定を保証する。

関連論文リスト

• Delving Aleatoric Uncertainty in Medical Image Segmentation via Vision Foundation Models [56.29123284262618]
  本研究は,視覚基盤モデルの普遍的表現能力を生かして固有データ不確実性を推定することを提案する。 モデルのデコード表現の特徴の多様性を分析し,その特異値エネルギーを定量化し,各クラスに対する意味知覚尺度を定義する。 この基礎に基づいて,本研究は,(1)潜在的にノイズの多いサンプルを排除し,モデル学習品質を向上させるためのアレータリック不確実性認識データフィルタリング機構,(2)意味認識尺度に基づくトレーニング中にクラス固有の損失重みを適応的に調整する動的不確実性認識最適化戦略,およびトレーニング安定性を向上させるラベル認知機構の2つの不確実性駆動型アプリケーション戦略を設計する。
  論文  参考訳（メタデータ） (2026-04-13T03:59:54Z)
• Data-Driven Priors for Uncertainty-Aware Deterioration Risk Prediction with Multimodal Data [11.640422721732756]
  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。
  論文  参考訳（メタデータ） (2026-03-09T14:54:38Z)
• Adaptive-CaRe: Adaptive Causal Regularization for Robust Outcome Prediction [16.391352325575763]
  監視された機械学習アルゴリズムは、医療領域における結果予測に一般的に使用される。 本稿では,医療領域における一般結果予測のためのモデル非依存型正規化戦略であるAdaptive-CaReを提案する。
  論文  参考訳（メタデータ） (2026-02-06T11:14:03Z)
• Conformal Prediction for Multi-Source Detection on a Network [59.17729745907474]
  マルチソース検出問題について検討する。 グラフ上のノード感染状況のスナップショットが与えられた場合、伝播を開始するソースノードのセットを推定する。 本稿では,ソースセット検出のための統計的に有効なリコール保証を提供する新しいコンフォメーション予測フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-11-12T01:09:56Z)
• A systematic evaluation of uncertainty quantification techniques in deep learning: a case study in photoplethysmography signal analysis [1.6690512882610855]
  ディープラーニングモデルは、臨床外の生理的パラメータを継続的に監視するために使用することができる。 実践的な測定シナリオに配備された場合、パフォーマンスが悪くなるリスクがあり、負の患者結果につながる。 ここでは、2つの臨床関連予測タスクで訓練されたモデルに対して、8つの不確実性(UQ)技術を実装する。
  論文  参考訳（メタデータ） (2025-10-31T22:54:13Z)
• Uncertainty Awareness on Unsupervised Domain Adaptation for Time Series Data [49.36938105983916]
  教師なし領域適応法は、ラベルのないテストデータに効果的に一般化しようとする。 本稿では,ドメイン間の一般化とロバスト性を改善するために,マルチスケールの特徴抽出と不確実性推定を導入することを提案する。
  論文  参考訳（メタデータ） (2025-08-26T03:13:08Z)
• Beyond Uncertainty Quantification: Learning Uncertainty for Trust-Informed Neural Network Decisions - A Case Study in COVID-19 Classification [7.383605511698832]
  信頼性の高い不確実性定量化は、医学的診断のような高い評価の応用において重要である。 従来の不確実性定量化法は、予測を自信または不確実性として分類するために、予め定義された信頼しきい値に依存する。 このアプローチは、しきい値を超える予測は信頼に値するが、それ以下の予測は信頼性の高い予測の正確性を明確に評価することなく不確実であると仮定する。 本研究では,予測の信頼度を学習することで,従来の不確実性定量化を拡張した不確実性認識型ニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2024-09-19T04:20:12Z)
• 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)
• Learning to Predict with Supporting Evidence: Applications to Clinical Risk Prediction [9.199022926064009]
  機械学習モデルがヘルスケアに与える影響は、医療専門家がこれらのモデルによって予測される信頼度に依存する。 予測が信頼されるべき理由に関するドメイン関連証拠を,臨床専門性のある人に提供するための方法を提示する。
  論文  参考訳（メタデータ） (2021-03-04T00:26:32Z)
• 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。