臨床意思決定支援におけるエピステミック不確実性推定のための暗黙的および明示的ベイズ事前分布の比較
カテゴリ：手術支援
公開日：2026年2月19日
タイトル：Implicit versus explicit Bayesian priors for epistemic uncertainty estimation in clinical decision support
雑誌名：PLOS Digit Health. 2025 Jul; 4(7): e0000801.
概 要：
本研究は、個別化医療における深層学習モデルの信頼性を向上させるため、エピステミック（知識）不確実性を定量化し伝達する意思決定支援システムの必要性を強調しています。特に、前立腺癌特異的死亡率の予測において、PLCO癌スクリーニング試験のデータを用いて、暗黙的および明示的なベイズ事前分布を持つ三つの近似ベイズ深層学習手法を比較しました。すべての手法は強い識別性能（AUROC = 0.86）を示しましたが、エピステミック不確実性の推定精度には顕著な違いがありました。
方 法：
本研究では、PLCO癌スクリーニング試験から得られたデータを用いて、前立腺癌特異的死亡率を予測するために、暗黙的事前分布を持つニューラルネットワークアンサンブルおよび因子化重み事前変分ベイズニューラルネットワークと、明示的で距離を考慮した事前分布を持つスペクトル正規化ニューラルガウス過程（SNGP）を比較しました。主要評価指標はAUROCです。
結 果：
すべての手法はAUROC 0.86を達成し、分布内での確率を適切にキャリブレーションしましたが、暗黙的事前分布を用いる手法は後方分布の近似精度が低く、エピステミック不確実性の推定に系統的なバイアスを示しました。一方、明示的事前分布を用いるSNGPは、より正確な後方近似と信頼性の高い不確実性定量化を提供しました。
結 論：
明示的で距離を考慮したアーキテクチャは、信頼性の高い臨床意思決定支援ツールの構築において特に有望であることが示されました。