論文の概要: Uncertainty-Gated SHAP-Dirichlet Refinement for MRI-Based Depression Classification

• arxiv url: http://arxiv.org/abs/2610.25635v1
• Date: Mon, 19 Oct 2026 01:25:51 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-20 22:27:55.536966
• Title: Uncertainty-Gated SHAP-Dirichlet Refinement for MRI-Based Depression Classification
• Title（参考訳）: MRIによる抑うつ分類のための不確実性拡張型SHAP-Dirichletリファインメント
• Abstract要約: 構造MRIによる大うつ病 (MDD) の分類は, 微妙で異質な解剖学的変化のため, 依然として困難である。 本稿では,再トレーニングなしに予測を改善するポストホック信頼性層である不確実性付きSHAP-Dirichletの改良を提案する。
• 参考スコア（独自算出の注目度）: 1.5881623669658271
• License:
• Abstract: Structural MRI-based classification of major depressive disorder (MDD) remains challenging due to subtle, heterogeneous anatomical changes. We propose uncertainty-gated SHAP-Dirichlet refinement, a post-hoc reliability layer that improves predictions without retraining the classifier. The method retrieves similar labeled SHAP explanations, constructs Dirichlet class evidence, and selectively refines uncertain predictions through probabilistic fusion, while allowing unreliable cases to be deferred for expert review. We evaluate five classifiers on 504 SRPBS subjects (252 controls and 252 MDD patients) using 159 anatomical features and repeated nested cross-validation. Refinement improved accuracy across all 8 repetitions for TabM and ResNet, yielding mean gains of 1.04 and 0.45 percentage points (sign test p=0.008), while modifying at most 8.3% of predictions. Gains were concentrated among low-confidence cases, with significant improvements in calibration. The method also benefited an RBF support vector machine but not logistic regression or random forests. Ablations confirmed the importance of uncertainty gating and soft fusion. Dirichlet evidence identified baseline errors (AUROC 0.62), while deferring 50% of cases increased retained-case accuracy to approximately 75%. These findings support selective explanation-guided refinement as a practical approach to improving prediction reliability and facilitating expert triage in MDD classification.
• Abstract（参考訳）: 構造MRIによる大うつ病 (MDD) の分類は, 微妙で異質な解剖学的変化のため, 依然として困難である。 本稿では,分類器を再訓練することなく予測を改善するポストホック信頼性層である不確実性付きSHAP-Dirichletの改良を提案する。 この方法は、類似のラベル付きSHAP説明を検索し、ディリクレのクラス証拠を構築し、確率的融合を通じて不確実な予測を選択的に洗練し、信頼性の低いケースを専門家のレビューのために遅延させる。 SRPBS患者504名(コントロール252名,MDD252名)を対象に,解剖学的特徴159例とネストクロスバリデーションを繰り返した。 リファインメントはTabMとResNetの8回の繰り返しの精度を改善し、平均利得は1.04と0.45ポイント(サインテストp=0.008)となり、予測の8.3%で修正された。 低信頼症例では利得が集中し, 校正は著しく改善した。 この方法はRBFサポートベクターマシンの恩恵を受けるが、ロジスティック回帰やランダムフォレストではない。 アブレーションは不確実性ゲーティングとソフトフュージョンの重要性を確認した。 ディリクレの証拠では基準誤差(AUROC 0.62)が同定され、50%の症例は保存ケースの精度を約75%に向上した。 これらの知見は, 予測信頼性の向上とMDD分類のエキスパートトリアージを促進するための実践的アプローチとして, 選択的説明誘導改良を支援する。

関連論文リスト

• Adaptive Conformal Redistribution for Inter-class Transitional Uncertainty in Medical Image Classification [9.578682349231789]
  アダプティブコンフォメーション(Adaptive conformal redistribution, AdaConRed)は、曖昧な予測セットを洗練されたクラス割り当てに変換する、ラベルのないポストコンフォーマル決定ルールである。 AdaConRedはLAC、APS、RAPSを同じバックボーンと再配布規則で上回る。 コンフォーマルな予測は、移行性疾患のカテゴリが存在する行動可能な意思決定支援に向けて、不確実性を超えて拡張することができる。
  論文  参考訳（メタデータ） (2026-09-10T06:21:30Z)
• The Accuracy Paradox: Empirical Diagnostic of Default Decision Thresholds in Multi-Label Enzyme Commission Prediction [With Code] [0.7530103765625609]
  本報告では,厳密なクラス不均衡の下で動作している未校正決定境界の系統的実証診断について述べる。 その結果, マルチラベルシステムAは77.16%, マクロF1スコア(0.3976), マクロリコール(0.3872)の精度が著しく向上した。
  論文  参考訳（メタデータ） (2026-09-07T19:00:17Z)
• Cross-Fitted Residual Utility for Primary-Preserving Cognitive Decision Correction in Automatic Modulation Classification [1.547549252134621]
  本稿では,クロスフィット型残効ユーティリティとプライマリ保存型認知決定ポリシーを用いて,推論後の問題について検討する。 構造化されたkan-Fourier分類器はデフォルトの確率を提供し、ニューラルおよび非ニューラル候補は観測可能な証拠を提供する。 RMLA、RMLB、HISARでは、完全なシステムは全体の精度を63.632%から66.332%、65.161%から66.168%、77.769%から79.867%に改善している。
  論文  参考訳（メタデータ） (2026-08-03T11:07:37Z)
• Multimodality Stacking with Blockwise missing values and application to the PIONeeR biomarkers study for prediction of resistance to immunotherapy [0.0]
  我々は,Multimodality Stacking with Blockwise missing Value (MSB)を紹介した。 MSBは、クロスバリデーション・スタックング・メタ・ラーナーを介して予測を集約する前に、モダリティ固有の特徴を独立にモデル化する。 MSBは肺がん患者の無再発生存を予測するためにPIONeeRで検証された。
  論文  参考訳（メタデータ） (2026-05-24T12:48:38Z)
• Agent-Based Uncertainty Awareness Improves Automated Radiology Report Labeling with an Open-Source Large Language Model [1.7064514726335305]
  クローン病患者のヘブライ語9,683例について検討した。 我々は不確実性を認識したプロンプトアンサンブルとエージェントに基づく決定モデルを導入した。
  論文  参考訳（メタデータ） (2025-02-02T16:57:03Z)
• How Reliable is Your Regression Model's Uncertainty Under Real-World Distribution Shifts? [46.05502630457458]
  本研究では,異なるタイプの分散シフトを伴う8つの画像ベース回帰データセットのベンチマークを提案する。 分散シフトがない場合、メソッドは十分に校正されているが、ベンチマークデータセットの多くに非常に自信が持たれていることが分かっています。
  論文  参考訳（メタデータ） (2023-02-07T18:54:39Z)
• 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 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)
• 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。