要旨: 臨床予測における不確実性を定量化することは、重大な診断タスクにおいて極めて重要です。適合予測（conformal prediction）は、理論的なカバー率の保証を伴う予測集合を提供することで、原理に基づいたアプローチを提供します。しかし実際には、患者分布のシフトが標準的な適合予測手法の前提となる i.i.d.（独立同分布）仮定を破るため、医療現場ではカバー率が不十分になります。本研究では、分布シフトの課題とラベル不確実性が既知であるタスクである、EEG発作分類に対して、いくつかの適合予測アプローチを評価します。パーソナライズされたキャリブレーション戦略により、予測集合サイズを同程度に保ちながら、カバー率を20パーセントポイント以上改善できることを示します。実装はオープンソースの医療AIフレームワークである PyHealth から利用可能です：https://github.com/sunlabuiuc/PyHealth.
医療現場でのロバスト性を高めるための共形予測：EEG分類のケーススタディ
arXiv stat.ML / 2026/5/1
💬 オピニオンTools & Practical UsageModels & Research
要点
- 本論文は、高リスクな診断タスクにおける不確実性の定量化の重要性を述べ、理論的なカバレッジ保証を持つ手法として共形予測を取り上げる。
- 医療では患者分布のシフトにより標準的な共形予測が前提とするi.i.d.仮定が破られ、その結果カバレッジが不十分になることを示す。
- EEGけいれん分類を題材に、分布シフトとラベル不確実性が既知である状況下で複数の共形予測アプローチを評価する。
- 個別化されたキャリブレーション戦略により、予測セットサイズをほぼ維持しつつカバレッジを20パーセントポイント以上改善できることを報告する。
- PyHealthを通じたオープンソース実装を提供し、医療AIでの導入を後押しする。
