論文の概要: When uncertainty quantification fails: structural vulnerabilities and corrections for selective prediction under clinical class imbalance

• arxiv url: http://arxiv.org/abs/2610.37561v1
• Date: Tue, 27 Oct 2026 17:08:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-28 21:04:31.725813
• Title: When uncertainty quantification fails: structural vulnerabilities and corrections for selective prediction under clinical class imbalance
• Title（参考訳）: 不確実性定量化が失敗した場合--臨床レベルの不均衡下での選択的予測のための構造的脆弱性と修正
• Abstract要約: 選択予測システムは、人間の専門家に曖昧なケースを延期することで、臨床人工知能の安全性を向上させる。 利害の臨床的結果が少数派である重度の階級不均衡を特徴とする予後タスクでは、この仮定は崩壊する。 標準的な不確実性対策は、臨床的に整合したあいまいさを捉えることをやめ、代わりにクラスメンバーシップの代理となる。
• 参考スコア（独自算出の注目度）: 0.2540789501663513
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Background. Selective prediction systems improve the safety of clinical artificial intelligence by deferring ambiguous cases to human experts while automating high-confidence decisions. However, this safety mechanism relies entirely on the premise that uncertainty scores accurately reflect clinical ambiguity. In prognostic tasks characterized by severe class imbalance, where the clinical outcome of interest is a minority, this assumption breaks down. Standard uncertainty measures cease to capture clinically aligned ambiguity; instead, they become a proxy for class membership, systematically penalizing minority patients regardless of their individual predictive clarity. Results. Across 56 synthetic conditions and three neurodegenerative cohorts spanning severe class imbalance to near-balanced conditions (multiple sclerosis, Parkinson's Disease, Alzheimer's Disease), our framework consistently maintained bounded, balanced risk across trajectories. In contrast, global metrics either collapsed minority Sensitivity or protected the minority at the expense of majority patients. Applying CCR with standard entropy fails to protect the minority because it breaks within-class monotonicity when tau=0.5. Combining CCR with threshold-aware metrics restores strict monotonicity, correctly identifies ambiguous patients, and safely mitigates minority exclusion. Conclusions. Under clinical class imbalance, standard uncertainty quantification measures dataset sparsity rather than clinical ambiguity, creating a systemic illusion of safety. This bias is a correctable structural flaw. Clinical pipelines deploying selective prediction under imbalance should adopt threshold-aligned uncertainty measures and class-stratified evaluation. This reduces class-specific risk imbalance, supporting safer selective prediction under the evaluated conditions without silently excluding the most vulnerable patients.
• Abstract（参考訳）: 背景。 選択予測システムは、信頼性の高い意思決定を自動化しながら、人間の専門家に曖昧なケースを延期することで、臨床人工知能の安全性を向上させる。 しかし、この安全メカニズムは、不確実性スコアが臨床的曖昧さを正確に反映しているという前提に完全に依存している。 利害の臨床的結果が少数派である重度の階級不均衡を特徴とする予後タスクでは、この仮定は崩壊する。 標準的な不確実性対策は、臨床的に整合したあいまいさを捉えることをやめ、代わりに、個々の予測的明確さに関わらず、組織的にマイノリティの患者を罰するクラスメンバーシップの代理となる。 結果。 56の合成条件と3つの神経変性コホートは、重度のクラス不均衡と、ほぼバランスの取れた状態(多発性硬化症、パーキンソン病、アルツハイマー病)にまたがっており、我々の枠組みは、トラジェクトリー全体で一貫してバランスの取れた、バランスのとれたリスクを維持していた。 対照的に、世界の指標は少数派感度を低下させたか、多数派患者を犠牲にして少数派を保護した。 標準エントロピーでCCRを適用することは、tau=0.5のときクラス内の単調性を破壊するため、少数派を保護することができない。 CCRとしきい値対応のメトリクスを組み合わせることで、厳密な単調性が回復し、あいまいな患者を正しく識別し、少数派除外を安全に緩和する。 結論。 臨床レベルの不均衡の下では、標準的な不確実性定量化は、臨床の曖昧さよりもスパーシティをデータセット化し、安全の体系的な錯覚を生み出す。 このバイアスは修正可能な構造上の欠陥です。 不均衡の下で選択的予測をデプロイする臨床パイプラインは、しきい値に整合した不確実性対策とクラス階層評価を採用するべきである。 これにより、クラス固有のリスクの不均衡を低減し、最も脆弱な患者を静かに排除することなく、評価条件下でより安全な選択予測をサポートする。

関連論文リスト

• When Confidence Fails: Overconfidence in LLMs under Uncertainty and Missing Clinical Information [14.659028787864996]
  大規模言語モデル (LLM) は, 医療質問応答や臨床推論タスクにおいて, 高い性能を達成している。 臨床情報の不確実性を考慮したLCMの行動解析を行った。 正解が得られない場合に、モデル間で大きな変動を観測する。
  論文  参考訳（メタデータ） (2026-08-10T03:28:46Z)
• Reliable Automated Triage in Spanish Clinical Notes: A Hybrid Framework for Risk-Aware HIV Suspicion Identification [0.0]
  スペイン臨床ノートにおける早期ヒト免疫不全ウイルスの同定に基づくリスク対応ハイブリッド選択分類フレームワークを提案する。 我々の二重検証手法は,マルチセンタロイドマハラノビス距離ベトーを用いたモンドリアン適合予測とてんかん不確かさを明示的に分離する。
  論文  参考訳（メタデータ） (2026-05-20T14:45:00Z)
• CURA: Clinical Uncertainty Risk Alignment for Language Model-Based Risk Prediction [10.129412789850239]
  本稿では,臨床用LMに基づくリスク推定と,個々のエラー確率とコホートレベルのあいまいさを一致させる枠組みを提案する。 MIMIC-IV 臨床リスク予測タスクの実験では、CURA は差別を実質的に損なうことなくキャリブレーションの指標を一貫して改善している。
  論文  参考訳（メタデータ） (2026-04-16T05:58:37Z)
• Beyond Prompt: Fine-grained Simulation of Cognitively Impaired Standardized Patients via Stochastic Steering [58.85421622061983]
  認知障害患者の微粒化シミュレーションのためのStsPatientを提案する。 対照的な命令と応答のペアからステアリングベクトルを抽出することにより、ドメイン固有の特徴を捉える。 StsPatientは、臨床の信頼性と重症度の両方において、ベースラインを著しく上回る。
  論文  参考訳（メタデータ） (2026-04-14T02:37:46Z)
• An Empirical Analysis of Calibration and Selective Prediction in Multimodal Clinical Condition Classification [11.640422721732756]
  マルチラベル臨床条件分類における不確実性に基づく選択予測の信頼性を実証的に評価した。 高い標準評価基準にもかかわらず、選択的予測は性能を著しく低下させる可能性がある。 この失敗は、厳密なクラス依存の誤校正によって引き起こされ、モデルが正しい予測に高い不確実性を割り当て、誤った予測に低い不確実性を割り当てる。
  論文  参考訳（メタデータ） (2026-03-03T08:16:44Z)
• Uncertainty-Calibrated Prediction of Randomly-Timed Biomarker Trajectories with Conformal Bands [24.335811693519165]
  臨床データからバイオマーカー軌跡の不確実性判定のためのコンフォメーション手法を提案する。 提案手法は,非整合性スコアを用いたランダム時間軌道の設定に共形予測を拡張した。 アルツハイマー病の進行リスクの高い被験者を同定する上で, コンフォメーションバンドの臨床的有用性を示す。
  論文  参考訳（メタデータ） (2025-11-17T21:04:14Z)
• Conformal Lesion Segmentation for 3D Medical Images [82.92159832699583]
  本稿では,データ駆動しきい値の校正をコンフォーマル化することで,テスト時間FNRが目標許容値以下であることを保証する,リスク制約付きフレームワークを提案する。 5つのバックボーンモデルにまたがる6つの3D-LSデータセット上でのCLSの統計的健全性と予測性能を検証し,臨床実践におけるリスク認識セグメンテーションの展開に関する実用的な知見を得た。
  論文  参考訳（メタデータ） (2025-10-19T08:21:00Z)
• SConU: Selective Conformal Uncertainty in Large Language Models [59.25881667640868]
  SconU(Selective Conformal Uncertainity)と呼ばれる新しいアプローチを提案する。 我々は,特定の管理可能なリスクレベルで設定されたキャリブレーションの不確実性分布から,与えられたサンプルが逸脱するかどうかを決定するのに役立つ2つの共形p値を開発する。 我々のアプローチは、単一ドメインと学際的コンテキストの両方にわたる誤発見率の厳密な管理を促進するだけでなく、予測の効率を高める。
  論文  参考訳（メタデータ） (2025-04-19T03:01:45Z)
• Approaching Neural Network Uncertainty Realism [53.308409014122816]
  自動運転車などの安全クリティカルなシステムには、定量化または少なくとも上限の不確実性が不可欠です。 マハラノビス距離に基づく統計的テストにより、厳しい品質基準である不確実性リアリズムを評価します。 自動車分野に採用し、プレーンエンコーダデコーダモデルと比較して、不確実性リアリズムを大幅に改善することを示した。
  論文  参考訳（メタデータ） (2021-01-08T11:56:12Z)

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。