論文の概要: Towards Trustworthy AI for Glioma Diagnosis: A Task-Aware Evaluation of Uncertainty Quantification

• arxiv url: http://arxiv.org/abs/2609.39429v1
• Date: Wed, 30 Sep 2026 10:06:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:27.566792
• Title: Towards Trustworthy AI for Glioma Diagnosis: A Task-Aware Evaluation of Uncertainty Quantification
• Title（参考訳）: グリオーマ診断のための信頼できるAIを目指して:不確実性定量化のタスクアウェア評価
• Abstract要約: 不確実性定量化(UQ)は、医療画像解析において信頼できるAIにとって重要な要件である。 MRIに基づくグリオーマ診断のための多タスクディープラーニングフレームワークでUQを評価する。
• 参考スコア（独自算出の注目度）: 0.5591724483452424
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Uncertainty Quantification (UQ) is a key requirement for trustworthy AI in high-stakes medical image analysis. In this work, we evaluate UQ in a multi-task Deep Learning framework for MRI-based glioma diagnosis that performs tumor segmentation and predicts IDH mutation status, 1p/19q co-deletion status, and tumor grade. Monte Carlo Dropout (MCD) is used for a detailed task-aware analysis of predictive, aleatoric, and epistemic uncertainty. We assess MC sample convergence, calibration, error detection, selective prediction, associations with segmentation performance, and the effect of voxel-wise uncertainty aggregation on case-level reliability. We also compare MCD with Deep Ensembles (DE) and Monte Carlo Deep Ensembles (MCDE), examine interactions between segmentation quality and classification, and evaluate a composite trust score integrating segmentation and classification uncertainty. Across tasks, uncertainty estimates supported meaningful error detection, while calibration depended on the dropout rate, with moderate rates yielding the most reliable probabilities. Uncertainty decomposition provided task-dependent interpretability but did not consistently improve error detection over predictive uncertainty alone. DE and MCDE showed comparable operational utility, with no method consistently dominating across tasks and metrics. The composite trust score did not consistently outperform classification uncertainty for selective prediction. Overall, our results provide a task-aware evaluation strategy and practical guidance for the development of trustworthy AI for glioma diagnosis.
• Abstract（参考訳）: 不確実性定量化(英: Uncertainty Quantification、UQ)は、高精細な医療画像分析において、信頼できるAIの鍵となる要件である。 本研究では,MRIに基づくグリオーマ診断のためのマルチタスクDeep Learningフレームワークにおいて,腫瘍のセグメンテーションを行い,IDHの変異状況,1p/19qのコレプション状態,腫瘍の悪性度を予測するUQを評価する。 モンテカルロ・ドロップアウト (MCD) は予測的, 動脈硬化的, てんかん性不確実性の詳細なタスク認識分析に用いられている。 我々は, MC試料の収束, 校正, エラー検出, 選択予測, セグメンテーション性能との関連, およびケースレベルの信頼性に対するボクセルワイド不確実性アグリゲーションの効果を評価する。 また,MDDをDeep Ensembles (DE) とMonte Carlo Deep Ensembles (MCDE) と比較し,セグメンテーション品質と分類の相互作用を検討した。 タスク全体にわたって、不確実性推定は有意なエラー検出を支持し、キャリブレーションはドロップアウト率に依存し、適度な速度は最も信頼性の高い確率を得た。 不確実性分解はタスク依存の解釈可能性を提供するが、予測の不確実性だけでエラー検出を一貫して改善することはなかった。 DEとMCDEは同等の実用性を示しており、タスクやメトリクスを常に支配するメソッドは存在しなかった。 総合信頼スコアは、選択的予測のための分類の不確かさを一貫して上回らなかった。 本研究は全体として,グリオーマ診断のための信頼性の高いAI開発のためのタスク認識評価戦略と実践的ガイダンスを提供する。

関連論文リスト

• Uncertainty-Calibrated Explainable AI for Fetal Ultrasound Plane Classification [0.0]
  胎児超音波標準平面分類は、出生前生検と異常検診の信頼性を高める。 実世界の展開は、ドメインシフト、画像ノイズ、予測される確率のキャリブレーションによって制限される。 本稿では,胎児平面分類における不確実性校正可能なAIの実践的枠組みを提案する。
  論文  参考訳（メタデータ） (2026-01-02T21:32:26Z)
• Towards Trustworthy Breast Tumor Segmentation in Ultrasound using Monte Carlo Dropout and Deep Ensembles for Epistemic Uncertainty Estimation [0.01066386648660129]
  乳房超音波セグメンテーションにおけるResidual U-Netの応用について検討した。 BUSIデータセットにおけるデータ重複の同定と補正を行う。 モンテカルロ・ドロップアウト、ディープアンサンブル、およびそれらの組み合わせを用いて、疫学的不確実性を定量化する。
  論文  参考訳（メタデータ） (2025-08-25T08:06:07Z)
• Word-Sequence Entropy: Towards Uncertainty Estimation in Free-Form Medical Question Answering Applications and Beyond [52.246494389096654]
  本稿ではワードシーケンスエントロピー(WSE)を紹介し,単語レベルとシーケンスレベルの不確実性を校正する手法を提案する。 We compare WSE with six baseline method on five free-form medical QA datasets, using 7 popular large language model (LLMs)。
  論文  参考訳（メタデータ） (2024-02-22T03:46:08Z)
• Structural-Based Uncertainty in Deep Learning Across Anatomical Scales: Analysis in White Matter Lesion Segmentation [8.64414399041931]
  不確実性定量化(英: Uncertainty Quantification、UQ)は、ホワイトマター病変(WML)セグメンテーションの文脈における、自動ディープラーニング(DL)ツールの信頼性の指標である。 我々は, 構造的予測の相違から, 病変や患者スケールの不確かさを定量化する尺度を開発した。 444例の多心MRIデータから, 病変のモデル誤差をより効果的に把握し, 患者規模を計測できることが示唆された。
  論文  参考訳（メタデータ） (2023-11-15T13:04:57Z)
• 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 autoencoders with uncertainty quantification: Towards trustworthy anomaly detection [78.24964622317634]
  本研究では, ベイズオートエンコーダ (BAEs) の定式化により, 全体の異常不確かさを定量化する。 不確実性の質を評価するために,不確実性の予測を拒否するオプションを追加して,異常を分類する作業を検討する。 本実験は,BAEと総異常不確かさが,ベンチマークデータセットと製造用実データセットのセットに与える影響を実証するものである。
  論文  参考訳（メタデータ） (2022-02-25T12:20:04Z)
• Bayesian Uncertainty Estimation of Learned Variational MRI Reconstruction [63.202627467245584]
  我々は,モデル不連続な不確かさを定量化するベイズ変分フレームワークを提案する。 提案手法はMRIのアンダーサンプを用いた再建術の術後成績を示す。
  論文  参考訳（メタデータ） (2021-02-12T18:08:14Z)

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。