論文の概要: Predicting ICU In-Hospital Mortality Using Adaptive Transformer Layer Fusion

• arxiv url: http://arxiv.org/abs/2506.04924v2
• Date: Fri, 06 Jun 2025 05:55:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-09 17:28:43.080504
• Title: Predicting ICU In-Hospital Mortality Using Adaptive Transformer Layer Fusion
• Title（参考訳）: Adaptive Transformer Layer Fusion を用いた心房内ICU死亡予測
• Abstract要約: 本稿では,LoRAアダプタと適応層重み付け機構を併用して,BERTバックボーンから意味的特徴を融合するモジュール型アテンションベースアーキテクチャであるALFIAを紹介する。 ALFIAは、厳格なcw-24(CriticalWindow-24)ベンチマークに基づいて、AUPRCの最先端の分類器を上回り、バランスの取れた精度-リコールプロファイルを保存する。 本実験では,ALFIAの早期期成績が良好であることを確認するとともに,日常的な臨床テキストを直接操作することで,リスク階層化や緊急ケア設定への時間的介入に便利な,堅牢なツールを臨床医に提供した。
• 参考スコア（独自算出の注目度）: 12.981138890399242
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Early identification of high-risk ICU patients is crucial for directing limited medical resources. We introduce ALFIA (Adaptive Layer Fusion with Intelligent Attention), a modular, attention-based architecture that jointly trains LoRA (Low-Rank Adaptation) adapters and an adaptive layer-weighting mechanism to fuse multi-layer semantic features from a BERT backbone. Trained on our rigorous cw-24 (CriticalWindow-24) benchmark, ALFIA surpasses state-of-the-art tabular classifiers in AUPRC while preserving a balanced precision-recall profile. The embeddings produced by ALFIA's fusion module, capturing both fine-grained clinical cues and high-level concepts, enable seamless pairing with GBDTs (CatBoost/LightGBM) as ALFIA-boost, and deep neuro networks as ALFIA-nn, yielding additional performance gains. Our experiments confirm ALFIA's superior early-warning performance, by operating directly on routine clinical text, it furnishes clinicians with a convenient yet robust tool for risk stratification and timely intervention in critical-care settings.
• Abstract（参考訳）: 高リスクICU患者の早期診断は、限られた医療資源の誘導に不可欠である。 ALFIA (Adaptive Layer Fusion with Intelligent Attention), LoRA (Low-Rank Adaptation) アダプタを併用したモジュール型アテンションベースアーキテクチャと,BERTバックボーンから多層セマンティック機能を融合する適応層重み付け機構を導入する。 厳格なcw-24(CriticalWindow-24)ベンチマークでトレーニングしたALFIAは、バランスの取れた精度-リコールプロファイルを維持しながら、AUPRCの最先端の表型分類器を超越する。 ALFIAの融合モジュールによって生成された埋め込みは、きめ細かい臨床的キューと高レベルの概念の両方をキャプチャし、ALFIA-boostとしてGBDT(CatBoost/LightGBM)とシームレスにペアリングし、ALFIA-nnとして深層神経ネットワークを組み込むことで、さらなるパフォーマンス向上をもたらす。 本実験では,ALFIAの早期期成績が良好であることを確認するとともに,日常的な臨床テキストを直接操作することで,リスク階層化や緊急ケア設定への時間的介入に便利な,堅牢なツールを臨床医に提供した。

関連論文リスト

• Bridging Vision Foundation Model Priors with CLIP for Spatial-aware Few-shot Anomaly Detection in Medical Images [48.646448077284276]
  本研究では,数発の医用異常検出を効果的に行うためのフレームワークであるSpatial-FADを提案する。 VFM空間先行とCLIPセマンティクスを組み合わせることで病変の局在を改善する。 本手法は,Diceスコアが11.4%,AUCが1.8%以上の平均改善を実現している。
  論文  参考訳（メタデータ） (2026-09-11T05:21:01Z)
• Federated Temporal Attention Intelligence for Cyber-Resilient IoMT: Lightweight Digital Twins and PPO-Driven Honeypot Deception [0.6095710009266794]
  インターネット・オブ・メディカル・モノ(IoMT)デバイスが急速に普及すると、医療環境における重要なサイバーセキュリティの脆弱性がもたらされる。 本稿では,4つの補完機構を統合したプライバシ保護型防衛アーキテクチャである軽量ディジタルツインとフェデレーション強化学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-06-19T13:40:57Z)
• Ensuring Safety in Automated Mechanical Ventilation through Offline Reinforcement Learning and Digital Twin Verification [9.198591097391448]
  メカニカル換気(Mechanical ventilation, MV)は、ICUの急性呼吸不全(ARF)患者の救命介入である。 MVにパーソナライズと自動化を統合する以前の試みには、従来の教師付き学習とオフライン強化学習(RL)アプローチがある。 患者動態の時間的モデリングにトランスフォーマーエンコーダを統合する新しいオフラインRLフレームワークであるTransformer-based conservative Q-Learning (T-CQL)を提案する。
  論文  参考訳（メタデータ） (2026-03-11T23:21:02Z)
• A Federated and Parameter-Efficient Framework for Large Language Model Training in Medicine [59.78991974851707]
  大規模言語モデル(LLM)は、質問応答や診断など、医療ベンチマークにおいて強力なパフォーマンスを示している。 ほとんどの医療用LDMは、異種システムの一般化性と安全性の制限に直面している単一の機関のデータに基づいて訓練されている。 本稿では, LLMを医療応用に適用するためのモデルに依存しない, パラメータ効率のよいフェデレーション学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-29T18:48:21Z)
• Transparent Early ICU Mortality Prediction with Clinical Transformer and Per-Case Modality Attribution [42.85462513661566]
  ICU滞在後48時間から, 生理的時系列測定と非構造的臨床記録とを融合した, 軽量で透明なマルチモーダルアンサンブルを提案する。 ロジスティック回帰モデルは、バイタル用双方向LSTMとノート用微調整された臨床ModernBERT変換器の2つのモード固有モデルからの予測を組み合わせる。 MIMIC-IIIベンチマークでは、遅延融合アンサンブルは、よく校正された予測を維持しながら、最高の単一モデルに対する差別を改善する。
  論文  参考訳（メタデータ） (2025-11-19T20:11:49Z)
• Decoupling Clinical and Class-Agnostic Features for Reliable Few-Shot Adaptation under Shift [12.373281238541296]
  医療ビジョン言語モデル(VLM)は、臨床診断支援を約束するが、分布シフトによる信頼性は、安全なデプロイメントにとって大きな関心事である。 そこで我々はDRiFtを提案する。DRiFtは機能分離フレームワークで、臨床的に関連する信号をタスク非依存のノイズから明確に分離する。 提案手法は,従来のプロンプトベースの手法に比べて,Top-1精度+11.4%,Macro-F1+3.3%向上する。
  論文  参考訳（メタデータ） (2025-09-11T12:26:57Z)
• Baichuan-M2: Scaling Medical Capability with Large Verifier System [40.86227022086866]
  静的解答検証を超越した,新しい動的検証フレームワークを提案する。 多段階強化学習戦略によって訓練された医療強化推論モデルBaichuan-M2を開発した。 HealthBenchでの評価では、Baichuan-M2は、他のすべてのオープンソースモデルや、最も高度なクローズドソースモデルよりも優れています。
  論文  参考訳（メタデータ） (2025-09-02T11:23:35Z)
• NEARL-CLIP: Interacted Query Adaptation with Orthogonal Regularization for Medical Vision-Language Understanding [51.63264715941068]
  textbfNEARL-CLIP (iunderlineNteracted quunderlineEry underlineAdaptation with ounderlineRthogonaunderlineL regularization)は、VLMベースの新しい相互モダリティ相互作用フレームワークである。
  論文  参考訳（メタデータ） (2025-08-06T05:44:01Z)
• Fitness aligned structural modeling enables scalable virtual screening with AuroBind [56.720030595081845]
  AuroBindは、100万規模のケモゲノミクスデータ上に、カスタム原子レベルの構造モデルを微調整するスケーラブルな仮想スクリーニングフレームワークである。 AuroBindは、直接選好最適化、高信頼錯体からの自己蒸留、教師-学生加速戦略を統合している。 AuroBindは10の疾患関連目標に対して、実験的なヒット率7-69%を達成し、トップ化合物はナノモラール下からピコモラールに到達した。
  論文  参考訳（メタデータ） (2025-08-04T07:34:48Z)
• HMSViT: A Hierarchical Masked Self-Supervised Vision Transformer for Corneal Nerve Segmentation and Diabetic Neuropathy Diagnosis [3.8141400767898603]
  糖尿病末梢神経障害(DPN)は糖尿病患者の約半数に影響を与え、早期発見を必要とする。 我々はHMSViT(HMSViT)を提案する。 HMSViTは、絶対位置符号化によるプーリングに基づく階層的・二重注意機構を採用し、効率的なマルチスケール特徴抽出を実現する。 臨床CCMデータセットの実験では、HMSViTは61.34% mIoUと70.40%の診断精度で最先端のパフォーマンスを達成した。
  論文  参考訳（メタデータ） (2025-06-24T10:00:23Z)
• PLAME: Leveraging Pretrained Language Models to Generate Enhanced Protein Multiple Sequence Alignments [53.55710514466851]
  タンパク質構造予測は、薬物の発見と生物学的機能の理解に不可欠である。 ほとんどの折り畳みモデルは予測性能を高めるために多重シーケンスアライメント(MSA)に大きく依存している。 我々は、事前学習されたタンパク質言語モデルからの進化的埋め込みを利用する新しいMSA設計モデルPLAMEを提案する。
  論文  参考訳（メタデータ） (2025-06-17T04:11:30Z)
• EKPC: Elastic Knowledge Preservation and Compensation for Class-Incremental Learning [53.88000987041739]
  クラスインクリメンタルラーニング(Class-Incremental Learning, CIL)は、AIモデルを、時間とともに異なるクラスのシーケンシャルに到着したデータから継続的に学習可能にすることを目的としている。 本稿では, 重要度を考慮した重要度正規化 (IPR) と CIL のためのトレーニング可能なセマンティックドリフト補償 (TSDC) を統合したElastic Knowledge Preservation and Compensation (EKPC) 法を提案する。
  論文  参考訳（メタデータ） (2025-06-14T05:19:58Z)
• Channel-Imposed Fusion: A Simple yet Effective Method for Medical Time Series Classification [11.520819583343128]
  本研究は、構造的透明性を重視したモデリングパラダイムに焦点を移し、医療データの本質的な特徴とより密接に一致させる。 本稿では,チャネル間情報融合による信号と雑音の比を高める新しい手法であるChannel Imposed Fusion (CIF)を提案する。 複数のパブリックなEEGおよびECGデータセットの実験結果は、提案手法が既存の最先端(SOTA)アプローチを様々な分類基準で上回るだけでなく、分類プロセスの透明性を著しく向上させ、医療時系列分類の新しい視点を提供することを示した。
  論文  参考訳（メタデータ） (2025-05-31T01:44:30Z)
• DeepBoost-AF: A Novel Unsupervised Feature Learning and Gradient Boosting Fusion for Robust Atrial Fibrillation Detection in Raw ECG Signals [1.794794261751548]
  心房細動(英: atrial fibrillation, AF)は、健康リスクの上昇に伴う心臓不整脈である。 本研究では、教師なし深層学習と勾配促進モデルを統合してAF検出を改善する革新的なハイブリッド手法を提案する。
  論文  参考訳（メタデータ） (2025-05-30T00:08:56Z)
• Byzantine-Resilient Over-the-Air Federated Learning under Zero-Trust Architecture [68.83934802584899]
  我々は,セキュアな適応クラスタリング(FedSAC)を用いたフェデレーション学習(Federated Learning)と呼ばれる,無線通信のための新しいビザンチン・ロバストFLパラダイムを提案する。 FedSACは、デバイスの一部をゼロ信頼アーキテクチャ(ZTA)ベースのビザンティン識別と適応デバイスクラスタリングによる攻撃から保護することを目的としている。 実験精度と収束率の両面から,提案手法よりもFedSACの方が優れていることを示す。
  論文  参考訳（メタデータ） (2025-03-24T01:56:30Z)
• Efficient Lung Ultrasound Severity Scoring Using Dedicated Feature Extractor [12.280417624228544]
  MeDiVLADは多レベル肺超音波検査のための新しいパイプラインである。 我々は、自己知識蒸留を利用して、ラベルや集合フレームレベルの特徴を伴わずに視覚変換器(ViT)を事前訓練する。 最小限の微調整により、MeDiVLADはフレームレベルおよびビデオレベルのスコアリングにおいて従来の完全教師付き手法よりも優れることを示す。
  論文  参考訳（メタデータ） (2025-01-21T22:28:22Z)
• Continuous Knowledge-Preserving Decomposition with Adaptive Layer Selection for Few-Shot Class-Incremental Learning [73.59672160329296]
  CKPD-FSCILは、事前訓練された重量の未使用容量を解放する統合フレームワークである。 本手法は,適応性と知識保持の両面で,最先端の手法より一貫して優れている。
  論文  参考訳（メタデータ） (2025-01-09T07:18:48Z)
• ASPS: Augmented Segment Anything Model for Polyp Segmentation [77.25557224490075]
  SAM(Segment Anything Model)は、ポリープセグメンテーションに先例のないポテンシャルを導入している。 SAMのTransformerベースの構造は、グローバルおよび低周波情報を優先する。 CFAはトレーニング可能なCNNエンコーダブランチと凍結したViTエンコーダを統合し、ドメイン固有の知識の統合を可能にする。
  論文  参考訳（メタデータ） (2024-06-30T14:55:32Z)
• MSAGPT: Neural Prompting Protein Structure Prediction via MSA Generative Pre-Training [48.398329286769304]
  マルチシークエンスアライメント(MSA)は、タンパク質ファミリーの進化的軌道を明らかにする上で重要な役割を担っている。 MSAGPTは、低MSA状態下でのMSA生成前訓練を通じてタンパク質構造予測を促進する新しいアプローチである。
  論文  参考訳（メタデータ） (2024-06-08T04:23:57Z)
• Pretraining is All You Need: A Multi-Atlas Enhanced Transformer Framework for Autism Spectrum Disorder Classification [7.790241122137617]
  本稿では,新しいマルチアトラス拡張トランスフォーマフレームワークMETAFormerを提案する。 ABIDE Iデータセットからの静止状態機能型磁気共鳴画像データを利用する。 平均精度は83.7%、AUCスコアは0.832である。
  論文  参考訳（メタデータ） (2023-07-04T15:00:06Z)
• Auto-FedRL: Federated Hyperparameter Optimization for Multi-institutional Medical Image Segmentation [48.821062916381685]
  Federated Learning(FL)は、明示的なデータ共有を避けながら協調的なモデルトレーニングを可能にする分散機械学習技術である。 本稿では,Auto-FedRLと呼ばれる,効率的な強化学習(RL)に基づくフェデレーションハイパーパラメータ最適化アルゴリズムを提案する。 提案手法の有効性は,CIFAR-10データセットと2つの実世界の医用画像セグメンテーションデータセットの不均一なデータ分割に対して検証される。
  論文  参考訳（メタデータ） (2022-03-12T04:11:42Z)
• AAVAE: Augmentation-Augmented Variational Autoencoders [43.73699420145321]
  本稿では,自動符号化に基づく自己教師型学習における第3のアプローチであるAugmentation-augmented variational autoencoders (AAVAE)を紹介する。 画像分類において提案したAAVAEを,最近のコントラスト学習アルゴリズムや非コントラスト学習アルゴリズムと同様に実証的に評価した。
  論文  参考訳（メタデータ） (2021-07-26T17:04:30Z)
• Stochastic Optimization of Areas Under Precision-Recall Curves with Provable Convergence [66.83161885378192]
  ROC(AUROC)と精度リコール曲線(AUPRC)の下の領域は、不均衡問題に対する分類性能を評価するための一般的な指標である。 本稿では,深層学習のためのAUPRCの最適化手法を提案する。
  論文  参考訳（メタデータ） (2021-04-18T06:22:21Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。