Beyond Accuracy: Enhancing Parkinson's Diagnosis with Uncertainty Quantification of Machine Learning Models

科学分野:

• 医療における人工知能
• ヘルスケアのための機械学習
• 計算神経科学

背景:

• 深層学習と機械学習は、臨床診断において有望であることを示しています。
• AIを医療現場に導入するには、信頼性評価が不可欠です。
• パーキンソン病検出は、診断ツールの改善から恩恵を受けることができます。

研究 の 目的:

• パーキンソン病検出における機械学習モデルの信頼性向上を目的とした不確実性推定技術の評価。
• モンテカルロ・ドロップアウト、ディープエビデンシャル分類、ベイジアンニューラルネットワークのパフォーマンス比較。
• 診断精度と不確実性評価を向上させ、安全なAI導入を促進する方法の特定。

主な方法:

• モンテカルロ・ドロップアウト、ディープエビデンシャル分類、ベイジアンニューラルネットワークの3つの不確実性推定技術を評価しました。
• 指タッピング、顔表情、音声パターンの3つの異なるデータセットを使用しました。
• 診断精度と不確実性推定の質に基づいてモデルを評価しました。

主要な成果:

• ディープエビデンシャル分類は、精度と不確実性推定の両方で低いパフォーマンスを示しました。
• モンテカルロ・ドロップアウトとベイジアンニューラルネットワークは、信頼性と確実性の向上を示しました。
• 不確実性推定は、曖昧な予測を特定し、潜在的な診断エラーを減らすことに成功しました。

結論:

• モンテカルロ・ドロップアウトとベイジアンニューラルネットワークは、信頼性の高いパーキンソン病検出に有望です。
• 不確実性定量化は、臨床診断におけるAIの安全かつ責任ある実装に不可欠です。
• 堅牢な不確実性推定方法に関するさらなる研究は、ヘルスケアにおけるAIの採用を加速させるでしょう。