論文の概要: Holistic Artificial Intelligence in Medicine; improved performance and explainability

• arxiv url: http://arxiv.org/abs/2507.00205v1
• Date: Mon, 30 Jun 2025 19:15:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-03 14:22:58.650064
• Title: Holistic Artificial Intelligence in Medicine; improved performance and explainability
• Title（参考訳）: 医学におけるホロスティック人工知能 : 性能と説明可能性の向上
• Authors: Periklis Petridis, Georgios Margaritis, Vasiliki Stoumpou, Dimitris Bertsimas,
• Abstract要約: xHAIM(Explainable HAIM)は、ジェネレーティブAIを活用して予測と説明可能性の両方を強化する新しいフレームワークである。 xHAIM は平均 AUC を 79.9% から 90.3% に改善する。 AIをブラックボックスの予測装置から説明可能な意思決定支援システムに変換し、臨床医が関連する患者データにインタラクティブに予測を追跡できるようにする。
• 参考スコア（独自算出の注目度）: 4.862319939462255
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: With the increasing interest in deploying Artificial Intelligence in medicine, we previously introduced HAIM (Holistic AI in Medicine), a framework that fuses multimodal data to solve downstream clinical tasks. However, HAIM uses data in a task-agnostic manner and lacks explainability. To address these limitations, we introduce xHAIM (Explainable HAIM), a novel framework leveraging Generative AI to enhance both prediction and explainability through four structured steps: (1) automatically identifying task-relevant patient data across modalities, (2) generating comprehensive patient summaries, (3) using these summaries for improved predictive modeling, and (4) providing clinical explanations by linking predictions to patient-specific medical knowledge. Evaluated on the HAIM-MIMIC-MM dataset, xHAIM improves average AUC from 79.9% to 90.3% across chest pathology and operative tasks. Importantly, xHAIM transforms AI from a black-box predictor into an explainable decision support system, enabling clinicians to interactively trace predictions back to relevant patient data, bridging AI advancements with clinical utility.
• Abstract（参考訳）: 医学における人工知能の展開への関心が高まり、私たちは以前、下流の臨床的タスクを解決するためにマルチモーダルデータを融合するフレームワークであるHAIM(Holistic AI in Medicine)を導入しました。 しかし、HAIMはタスクに依存しない方法でデータを使用し、説明性に欠ける。 これらの制約に対処するために、生成AIを活用した新しいフレームワークであるxHAIMを導入し、(1)タスク関連患者データの自動識別、(2)包括的な患者要約の作成、(3)これらの要約を用いて予測モデルの改善、(4)予測と患者固有の医療知識のリンクによる臨床説明を提供する。 HAIM-MIMIC-MMデータセットから評価すると、xHAIMは平均AUCを、胸部病理や手術の作業で79.9%から90.3%に改善する。 重要な点として、xHAIMはAIをブラックボックス予測器から説明可能な意思決定支援システムに変換し、臨床医が関連する患者データへの予測をインタラクティブにトレースし、AIの進歩を臨床的有用性でブリッジすることを可能にする。

関連論文リスト

• Towards Next-Generation Medical Agent: How o1 is Reshaping Decision-Making in Medical Scenarios [46.729092855387165]
  本稿では,医療用AIエージェントのバックボーンLSMの選択について検討する。 我々の研究結果は、o1の診断精度と一貫性を高める能力を示し、よりスマートでより応答性の高いAIツールへの道を開いた。
  論文  参考訳（メタデータ） (2024-11-16T18:19:53Z)
• Reasoning-Enhanced Healthcare Predictions with Knowledge Graph Community Retrieval [61.70489848327436]
  KAREは、知識グラフ(KG)コミュニティレベルの検索と大規模言語モデル(LLM)推論を統合する新しいフレームワークである。 MIMIC-IIIでは最大10.8～15.0%、MIMIC-IVでは12.6～12.7%である。
  論文  参考訳（メタデータ） (2024-10-06T18:46:28Z)
• XAI for In-hospital Mortality Prediction via Multimodal ICU Data [57.73357047856416]
  マルチモーダルICUデータを用いて病院内死亡率を予測するための,効率的で説明可能なAIソリューションを提案する。 我々は,臨床データから異種入力を受信し,意思決定を行うマルチモーダル・ラーニングを我々のフレームワークに導入する。 我々の枠組みは、医療研究において重要な要素の発見を容易にする他の臨床課題に容易に移行することができる。
  論文  参考訳（メタデータ） (2023-12-29T14:28:04Z)
• README: Bridging Medical Jargon and Lay Understanding for Patient Education through Data-Centric NLP [9.432205523734707]
  医療用語を患者に親しみやすい平易な言語に簡略化することを目的とした,レイ定義の自動生成という新たなタスクを導入する。 このデータセットは、5万以上のユニークな(医療用語、日常の定義)ペアと30万の言及からなる。 また、データフィルタリング、拡張、選択を相乗化してデータ品質を改善する、データ中心のHuman-AIパイプラインも開発しました。
  論文  参考訳（メタデータ） (2023-12-24T23:01:00Z)
• Modelling Patient Trajectories Using Multimodal Information [0.0]
  本稿では,異なる種類の情報を組み合わせて臨床データの時間的側面を考慮した患者軌跡のモデル化手法を提案する。 本手法は, 予期せぬ患者寛解と疾患進行の2つの異なる臨床結果に基づいて検討した。
  論文  参考訳（メタデータ） (2022-09-09T10:20:54Z)
• MIMO: Mutual Integration of Patient Journey and Medical Ontology for Healthcare Representation Learning [49.57261599776167]
  本稿では、医療表現学習と予測分析のための、エンドツーエンドの堅牢なトランスフォーマーベースのソリューション、患者旅行の相互統合、医療オントロジー(MIMO)を提案する。
  論文  参考訳（メタデータ） (2021-07-20T07:04:52Z)
• Clinical Outcome Prediction from Admission Notes using Self-Supervised Knowledge Integration [55.88616573143478]
  臨床テキストからのアウトカム予測は、医師が潜在的なリスクを見落としないようにする。 退院時の診断,手術手順,院内死亡率,長期予測は4つの一般的な結果予測対象である。 複数の公開資料から得られた患者結果に関する知識を統合するために,臨床結果の事前学習を提案する。
  論文  参考訳（メタデータ） (2021-02-08T10:26:44Z)

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。