불확실성 인식 이미지 기반 잔여 수명 예측

초록

이미지를 통해 사망률 관련 결과를 예측하는 것은 접근성, 비침습성, 확장성이 뛰어난 건강 검진의 가능성을 제시한다. 본 연구에서는 사전 학습된 비전 트랜스포머 기반 모델을 활용하여 얼굴 및 전신 이미지로부터 잔여 수명을 추정하고, 강력한 불확실성 정량화를 수행하는 방법을 제안한다. 예측 불확실성이 실제 잔여 수명과 체계적으로 변화하며, 이 불확실성을 각 샘플에 대해 가우시안 분포를 학습함으로써 효과적으로 모델링할 수 있음을 보여준다. 제안된 접근법은 기존 데이터셋에서 7.48년의 최신 평균 절대 오차(MAE)를 달성했으며, 본 연구에서 구축 및 공개한 두 개의 새로운 고품질 데이터셋에서 각각 4.79년과 5.07년의 MAE로 추가 개선되었다. 특히, 제안된 모델은 0.62년의 버킷 기대 교정 오차로 입증된 바와 같이 잘 교정된 불확실성 추정치를 제공한다. 임상적 배포를 목적으로 하지는 않았지만, 이러한 결과는 이미지에서 의학적으로 관련된 신호를 추출할 수 있는 잠재력을 강조한다. 본 연구는 모든 코드와 데이터셋을 공개하여 추가 연구를 촉진한다.

English

Predicting mortality-related outcomes from images offers the prospect of accessible, noninvasive, and scalable health screening. We present a method that leverages pretrained vision transformer foundation models to estimate remaining lifespan from facial and whole-body images, alongside robust uncertainty quantification. We show that predictive uncertainty varies systematically with the true remaining lifespan, and that this uncertainty can be effectively modeled by learning a Gaussian distribution for each sample. Our approach achieves state-of-the-art mean absolute error (MAE) of 7.48 years on an established Dataset, and further improves to 4.79 and 5.07 years MAE on two new, higher-quality datasets curated and published in this work. Importantly, our models provide well-calibrated uncertainty estimates, as demonstrated by a bucketed expected calibration error of 0.62 years. While not intended for clinical deployment, these results highlight the potential of extracting medically relevant signals from images. We make all code and datasets available to facilitate further research.

불확실성 인식 이미지 기반 잔여 수명 예측

Uncertainty-Aware Remaining Lifespan Prediction from Images

초록

Support