深層学習におけるEEGの不確実性：データセットシフト下での評価

科学分野:

• 医療診断
• 人工知能
• 神経科学

背景:

• 医療診断へのAIの統合には、正確な予測とともに信頼性の高い不確実性推定が必要です。
• 予測の信頼性を理解することは、特にアウトオブディストリビューションシナリオにおいて、臨床的意思決定に不可欠です。
• 不確実性メトリクスは、モデルの信頼度を実際のパフォーマンスと一致させ、信頼度の変化に対応することを目的としています。

研究 の 目的:

• EEGベースの認知機能低下分類におけるアンサンブル学習戦略のパフォーマンスと不確実性推定への影響を調査すること。
• インディストリビューション、アウトオブディストリビューション汎化、およびデータセットシフトしたEEGデータでAIモデルを評価すること。
• さまざまなデータ摂動下での不確実性推定の信頼性を評価すること。

主な方法:

• 大規模EEGデータセットでアンサンブル手法とモンテカルロドロップアウトを評価しました。
• インディストリビューション、アウトオブディストリビューション汎化、および段階的なデータセットシフト（ノイズ、ドリフト、周波数摂動）の3つの設定でモデルのパフォーマンスと不確実性を評価しました。
• ロバストな分類のために、深層アンサンブルと独立してトレーニングされたモデルを利用しました。

主要な成果:

• アンサンブル手法、特に深層アンサンブルは、インディストリビューションとアウトオブディストリビューションの両方の設定で、他のモデルよりも一貫して優れた性能を発揮しました。
• アンサンブルは、さまざまな種類のEEGデータセットシフトにわたって、より有益で信頼性の高い不確実性推定を提供しました。
• モデルの多様性と独立したトレーニングは、ロバストで不確実性を認識した分類に有益であることが証明されました。

結論:

• アンサンブル学習戦略は、EEGベースの認知機能低下検出のためのAIモデルの信頼性と精度を向上させます。
• これらの発見は、データ変動下での透明性と堅牢性を確保することにより、AIの臨床展開をサポートします。
• 不確実性を認識したモデルは、ヘルスケアにおける安全で信頼性の高いAIアプリケーションに不可欠です。