Conformal prediction applied to deep learning models of classification and regression: Automatic quantification of uncertainty in histopathological images
Year: 2025
Type: dissertation
Abstract: La incertidumbre es un aspecto inherente en los modelos de aprendizaje automático debido a que su entrenamiento se realiza con muestras representativas de datos reales asociadas al fenómeno bajo estudio. El muestreo, debido a su carácter estocástico intrínseco, induce variabilidad en las predicciones. La ausencia de una medida de incertidumbre en estos modelos puede ser altamente riesgosa, especialmente en entornos críticos como el sector de la salud, donde la precisión y confiabi- lidad son fundamentales para la toma de decisiones. El avance de la patología digital ha permitido mejorar el diagnóstico médico mediante el análisis de imágenes histopatológicas digitalizadas. A medida que los modelos de aprendizaje automático se integran en esta área, surgen nuevos desafíos relacionados con la interpretabilidad de los resultados y la necesidad de cuantificar la incertidumbre de predicciones, garantizando así su confiabilidad en escenarios clínicos. En este trabajo se exploraron distintas técnicas de predicción conforme aplicadas a imágenes his- topatológicas, con el objetivo de evaluar y comparar su desempeño en la cuantificación de la in- certidumbre. El objetivo fue evaluar su efectividad en la generación de intervalos de confianza y sets de predicciones, así como valorar su potencial de aplicación práctica en entornos médicos. En clasificación, APS alcanzó las mayores coberturas, superando el 90 % en ambas arquitecturas, a cambio de sets más grandes. Además, la variante Mondrian mejoró la equidad en la cobertura al reducir la varianza entre distintos subgrupos, reforzando la robustez del método en escenarios clíni- cos heterogéneos. Para regresión, la predicción conforme permitió cuantificar la incertidumbre con intervalos. En prueba, la mejor variante fue la predicción conforme inductiva con EfficientNet-B3 (76.76 % cobertura, tamaño promedio del intervalo = 0.2758). En la predicción conforme de Mon- drian, EfficientNet-B3 obtuvo 67.03 % (0.2079) . En la predicción conforme basada en regresión por cuantiles se invirtió la tendencia: DenseNet-169 logró mayor cobertura (74.59 %) que EfficientNet- B3 (66.49 %), con intervalos más amplios (0.2822 vs. 0.2634).
Language: Spanish
Topic: AI in cancer detection
Subfield: Artificial Intelligence
Field: Computer Science
Domain: Physical Sciences
Keywords: conformal prediction, uncertainty quantification, histopathological images, Mondrian conformal prediction, inductive conformal prediction, confidence intervals, prediction sets, classification, regression analysis, EfficientNetB3, deep learning, digital pathology, clinical decision support, model interpretability, medical image analysis
Open Access status: green
OpenAlex ID: W7157514997
