論文の概要: UdonCare: Hierarchy Pruning for Unseen Domain Discovery in Predictive Healthcare
- arxiv url: http://arxiv.org/abs/2506.06977v1
- Date: Sun, 08 Jun 2025 03:20:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-10 21:10:47.069675
- Title: UdonCare: Hierarchy Pruning for Unseen Domain Discovery in Predictive Healthcare
- Title（参考訳）: UdonCare:予測医療におけるドメイン発見のための階層的プルーニング
- Authors: Pengfei Hu, Xiaoxue Han, Fei Wang, Yue Ning,
- Abstract要約: UdonCareは、細粒度ドメインを抽出し、これらの洗練されたドメインを符号化し、患者レベルの特徴からドメイン関連信号を分離するために、シームズ型推論機構を適用する階層誘導フレームワークである。
臨床データセットによる実験結果から,本モデルでは,領域ギャップが存在する場合の他の領域一般化よりも高い性能が提案された。
- 参考スコア（独自算出の注目度）: 18.167327681697692
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Domain generalization has become a critical challenge in clinical prediction, where patient cohorts often exhibit shifting data distributions that degrade model performance. Typical domain generalization approaches struggle in real-world healthcare settings for two main reasons: (1) patient-specific domain labels are typically unavailable, making domain discovery especially difficult; (2) purely data-driven approaches overlook key clinical insights, leading to a gap in medical knowledge integration. To address these problems, we leverage hierarchical medical ontologies like the ICD-9-CM hierarchy to group diseases into higher-level categories and discover more flexible latent domains. In this paper, we introduce UdonCare, a hierarchy-guided framework that iteratively prunes fine-grained domains, encodes these refined domains, and applies a Siamese-type inference mechanism to separate domain-related signals from patient-level features. Experimental results on clinical datasets (MIMIC-III and MIMIC-IV) show that the proposed model achieves higher performance compared to other domain generalization baselines when substantial domain gaps presents, highlighting the untapped potential of medical knowledge for enhancing domain generalization in practical healthcare applications.
- Abstract（参考訳）: ドメインの一般化は、患者コホートがモデルの性能を低下させる変化するデータ分布を示す、臨床予測において重要な課題となっている。
1) 患者固有のドメインラベルは一般に利用できないため、ドメイン発見が特に困難である; 2) 純粋にデータ駆動型アプローチは重要な臨床的洞察を覆し、医療知識の統合のギャップを生じさせる。
これらの問題に対処するために、ICD-9-CM階層のような階層的な医療オントロジーを活用し、疾患をより高度なカテゴリに分類し、より柔軟な潜伏ドメインを発見する。
本稿では,細粒度ドメインを反復的に引き起こし,これらのドメインを符号化する階層化誘導フレームワークであるUdonCareを紹介し,患者レベルの特徴からドメイン関連信号を分離するために,シームズ型推論機構を適用した。
臨床データセット(MIMIC-IIIおよびMIMIC-IV)による実験結果から,本モデルでは,領域ギャップが大きい場合の他の領域一般化ベースラインと比較して高い性能を達成し,医療分野における領域一般化の促進に向けた医療知識の未完成の可能性を強調した。
関連論文リスト
- FedSemiDG: Domain Generalized Federated Semi-supervised Medical Image Segmentation [19.87797382888023]
医用画像の多様性とラベル付きデータの欠如により、医用画像のセグメンテーションは困難である。
本稿では,FedSemiDGの課題に対処するため,FGASL(Federated Generalization-Aware Semi Supervised Learning)という新しいフレームワークを提案する。
提案手法は最先端のFSSLおよびドメインの一般化手法を著しく上回り,未確認領域に対する堅牢な一般化を実現している。
論文 参考訳（メタデータ） (2025-01-13T14:54:49Z) - FairDomain: Achieving Fairness in Cross-Domain Medical Image Segmentation and Classification [24.985944558474166]
本稿では,ドメインシフト下での公平性に関する先駆的なシステム研究について述べる。
我々は医学的セグメンテーションと分類作業の両方に最先端領域適応(DA)と一般化(DG)アルゴリズムを用いる。
また,様々なDAアルゴリズムやDGアルゴリズムに適応して,自己注意を用いて人口統計特性を調整し,公平性を向上する,新規なプラグイン・アンド・プレイ・アイデンティティ・フェアアテンション(FIA)モジュールも導入する。
論文 参考訳（メタデータ） (2024-07-11T18:52:32Z) - DIGIC: Domain Generalizable Imitation Learning by Causal Discovery [69.13526582209165]
因果性は機械学習と組み合わせて、ドメインの一般化のための堅牢な表現を生成する。
我々は、実証データ分布を活用して、ドメインの一般化可能なポリシーの因果的特徴を発見するために、異なる試みを行っている。
DIGICと呼ばれる新しいフレームワークを設計し、実演データ分布から専門家行動の直接的な原因を見出すことにより因果的特徴を識別する。
論文 参考訳（メタデータ） (2024-02-29T07:09:01Z) - Exploring the Transfer Learning Capabilities of CLIP in Domain
Generalization for Diabetic Retinopathy [7.649900082537232]
クロスドメインの一般化は医療分野において難しい問題である。
近年の研究では,自然画像におけるDG問題に対するCLIPの有効性が示されている。
本研究では,糖尿病網膜症(DR)分類におけるCLIPの伝達学習能力とそのドメイン間一般化の可能性について検討した。
論文 参考訳（メタデータ） (2023-08-27T22:02:41Z) - Dis-AE: Multi-domain & Multi-task Generalisation on Real-World Clinical
Data [0.0]
本稿では,新しい非交叉型オートエンコーダ(Dis-AE)ニューラルネットワークアーキテクチャを提案する。
Dis-AEは、医療測定のマルチラベル分類のためのドメイン不変データ表現を学習する。
人工的データセットと血液提供者からの全血液量(FBC)データに基づいて,モデルの領域一般化能力を評価する。
論文 参考訳（メタデータ） (2023-06-15T14:56:37Z) - Single-domain Generalization in Medical Image Segmentation via Test-time
Adaptation from Shape Dictionary [64.5632303184502]
ドメインの一般化は通常、モデル学習のために複数のソースドメインからのデータを必要とする。
本稿では,1つのソースドメインのみで最悪のシナリオ下でモデルを学習し,異なる未確認対象ドメインに直接一般化する,重要な単一ドメインの一般化問題について考察する。
本稿では,領域間で不変なセグメンテーションのセグメンテーション先情報を抽出し,統合する医用画像セグメンテーションにおいて,この問題に対処する新しいアプローチを提案する。
論文 参考訳（メタデータ） (2022-06-29T08:46:27Z) - Localized Adversarial Domain Generalization [83.4195658745378]
対数領域の一般化は、領域の一般化に対する一般的なアプローチである。
空間コンパクト性維持(LADG)を用いた局所対向領域の一般化を提案する。
我々はWilds DGベンチマークで包括的な実験を行い、我々のアプローチを検証する。
論文 参考訳（メタデータ） (2022-05-09T08:30:31Z) - Compound Domain Generalization via Meta-Knowledge Encoding [55.22920476224671]
マルチモーダル分布を再正規化するために,スタイル駆動型ドメイン固有正規化(SDNorm)を導入する。
組込み空間における関係モデリングを行うために,プロトタイプ表現,クラスセントロイドを利用する。
4つの標準ドメイン一般化ベンチマークの実験により、COMENはドメインの監督なしに最先端のパフォーマンスを上回ることが判明した。
論文 参考訳（メタデータ） (2022-03-24T11:54:59Z) - HCDG: A Hierarchical Consistency Framework for Domain Generalization on
Medical Image Segmentation [33.623948922908184]
ドメイン一般化のための新しい階層的一貫性フレームワーク(HCDG)を提案する。
Extrinsic Consistencyでは、複数のソースドメインにまたがる知識を活用して、データレベルの一貫性を強制します。
Intrinsic Consistencyでは、デュアルタスクシナリオの下で同じインスタンスに対してタスクレベルの一貫性を実行します。
論文 参考訳（メタデータ） (2021-09-13T07:07:23Z) - Unsupervised Domain Adaptation for Dysarthric Speech Detection via
Domain Adversarial Training and Mutual Information Minimization [52.82138296332476]
本稿では,非教師付き領域適応問題として,クロスドメイン・ディザスリック音声検出(DSD)を定式化するための最初の試みを行う。
DPC, DAT, 相互情報最小化(MIM)を含むマルチタスク学習戦略を提案する。
実験の結果, 発話レベルの重み付き平均リコールと話者レベルの精度では, それぞれ22.2%, 20.0%の絶対的な増加が得られた。
論文 参考訳（メタデータ） (2021-06-18T13:34:36Z)
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。