論文の概要: Can human clinical rationales improve the performance and explainability of clinical text classification models?

• arxiv url: http://arxiv.org/abs/2507.21302v1
• Date: Mon, 28 Jul 2025 19:44:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-30 17:08:55.261967
• Title: Can human clinical rationales improve the performance and explainability of clinical text classification models?
• Title（参考訳）: 臨床テキスト分類モデルの性能と説明性はヒトの臨床的根拠によって改善できるか?
• Abstract要約: 原発性癌部位の診断に有効な説明法として, 99,125人の人為的臨床的根拠について検討した。 予備選択した有理数に対する有理数品質を測定する手段として, 十分性を検討した。 正当性を自動計量として有理数の選択に用いることも矛盾する結果をもたらす。
• 参考スコア（独自算出の注目度）: 2.1054100632561377
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: AI-driven clinical text classification is vital for explainable automated retrieval of population-level health information. This work investigates whether human-based clinical rationales can serve as additional supervision to improve both performance and explainability of transformer-based models that automatically encode clinical documents. We analyzed 99,125 human-based clinical rationales that provide plausible explanations for primary cancer site diagnoses, using them as additional training samples alongside 128,649 electronic pathology reports to evaluate transformer-based models for extracting primary cancer sites. We also investigated sufficiency as a way to measure rationale quality for pre-selecting rationales. Our results showed that clinical rationales as additional training data can improve model performance in high-resource scenarios but produce inconsistent behavior when resources are limited. Using sufficiency as an automatic metric to preselect rationales also leads to inconsistent results. Importantly, models trained on rationales were consistently outperformed by models trained on additional reports instead. This suggests that clinical rationales don't consistently improve model performance and are outperformed by simply using more reports. Therefore, if the goal is optimizing accuracy, annotation efforts should focus on labeling more reports rather than creating rationales. However, if explainability is the priority, training models on rationale-supplemented data may help them better identify rationale-like features. We conclude that using clinical rationales as additional training data results in smaller performance improvements and only slightly better explainability (measured as average token-level rationale coverage) compared to training on additional reports.
• Abstract（参考訳）: AIによる臨床テキスト分類は、人口レベルの健康情報の自動検索に不可欠である。 本研究は,臨床文書を自動エンコードするトランスフォーマーモデルの性能と説明可能性を改善するために,人為的臨床理性理論が追加の監督に役立てられるかどうかを考察する。 原発性癌部位の診断に有効な説明を提供する,99,125人の臨床的根拠を解析し,128,649人の電子病理報告とともに追加のトレーニングサンプルとして使用し,原発性癌部位の抽出のためのトランスフォーマーモデルの評価を行った。 また,予備選択有理数に対する有理数品質の測定方法として,十分性を検討した。 以上の結果から,高リソースシナリオのモデル性能は向上するが,リソースが制限された場合には不整合な動作が生じる可能性が示唆された。 正当性を自動計量として有理数の選択に用いることも矛盾する結果をもたらす。 重要なことに、合理性で訓練されたモデルは、代わりに追加のレポートで訓練されたモデルによって一貫して性能が向上した。 これは、臨床の合理性はモデルの性能を一貫して改善せず、単により多くのレポートを使用することで性能が向上していることを示唆している。 したがって、目標が精度を最適化するならば、アノテーションの取り組みは合理性を作るのではなく、より多くのレポートのラベル付けに集中すべきである。 しかし、説明可能性が優先される場合、有理補足データのトレーニングモデルは、有理補足的な特徴をよりよく識別するのに役立ちます。 追加のトレーニングデータとして臨床的合理性を用いることで、パフォーマンスが向上し、追加のレポートのトレーニングと比較して、説明可能性(平均トークンレベルの合理性カバレッジとして測定される)がわずかに向上したと結論付けている。

関連論文リスト

• Supervised Fine-tuning with Synthetic Rationale Data Hurts Real-World Disease Prediction [16.660497009356412]
  臨床予測タスクにおける言語モデルの性能向上のために, 合成合理化データを用いた微調整が重要であると広く推察されている。 この仮定は,5年間のアルツハイマー病と,縦断的健康史からの認知症関連予測に当てはまる。 その結果,有理数に基づくSFTはラベルのみの微調整と比較して,予測性能を著しく損なうことがわかった。
  論文  参考訳（メタデータ） (2026-06-09T01:00:04Z)
• ReMedi: Reasoner for Medical Clinical Prediction [70.84466325266068]
  EHRによる臨床結果予測を改善するためのフレームワークであるReMediを提案する。 ReMediは、複雑な臨床問題に対する挑戦的なサンプル再生機構を用いて有理応答対を生成する。 複数のEHR予測タスクの実験では、F1スコアで最先端のベースラインを19.9%上回った。
  論文  参考訳（メタデータ） (2026-05-02T14:44:49Z)
• Learning Diagnostic Reasoning for Decision Support in Toxicology [34.623049546258294]
  緊急毒性学への最初の強化学習(Reinforcement Learning, RL)であるDeToxRを提案する。 14種類の物質クラスにまたがる多ラベル予測のためのロバストなデータ融合エンジンを設計する。 臨床成績報酬を直接利用してモデルの推論を最適化する。
  論文  参考訳（メタデータ） (2026-03-31T11:26:45Z)
• Selective Fine-Tuning of GPT Architectures for Parameter-Efficient Clinical Text Classification [0.0]
  本研究は,GPT-2を臨床テキスト分類タスクに適用するためのパラメータ効率の選択的微調整フレームワークを提案する。 事前訓練されたモデル全体を更新する代わりに、ほとんどのネットワークパラメータは凍結され、トレーニング中に最終トランスフォーマーブロック、最終層正規化モジュール、軽量分類ヘッドのみが更新される。 5万件の実験では、選択的な微調整がおよそ91%の分類精度を達成し、モデルパラメータの6%未満を更新している。
  論文  参考訳（メタデータ） (2026-03-15T02:16:06Z)
• From Generative Modeling to Clinical Classification: A GPT-Based Architecture for EHR Notes [0.0]
  本研究は臨床テキスト分類のためのGPTアーキテクチャを提案する。 すべてのモデルパラメータを更新する代わりに、GPT-2のバックボーンの大部分は凍結されている。 提案手法はMIMIC-IV-Noteデータセットからの放射線学報告に基づいて評価する。
  論文  参考訳（メタデータ） (2026-01-29T16:33:47Z)
• Learning from Sufficient Rationales: Analysing the Relationship Between Explanation Faithfulness and Token-level Regularisation Strategies [5.225254533678075]
  モデル性能に及ぼす理性情報の影響について検討する。 非常に有意義な合理性は、インスタンスを正しく分類するのに役立ちそうにない。 また、モデル入力に合理的情報を組み込むことで、ドメイン間の分類が促進されるが、タスクごとに結果が矛盾していることが判明した。
  論文  参考訳（メタデータ） (2025-11-20T13:39:20Z)
• Minimum Data, Maximum Impact: 20 annotated samples for explainable lung nodule classification [0.0]
  放射線学者は、確立された診断基準として形状やテクスチャなどの属性を使用し、AI意思決定でそれらを反映する。 このようなモデルの採用は、これらの属性を付加した大規模医療画像データセットの不足によって制限される。 この研究は、データセットの制限を克服する合成データの可能性を強調し、医療画像解析における説明可能なモデルの適用性を高める。
  論文  参考訳（メタデータ） (2025-08-01T13:54:34Z)
• AUTOCT: Automating Interpretable Clinical Trial Prediction with LLM Agents [47.640779069547534]
  AutoCTは、大規模言語モデルの推論能力と古典的な機械学習の説明可能性を組み合わせた、新しいフレームワークである。 臨床治験予測タスクにおいて, AutoCT は SOTA 法と同等以上の性能を示した。
  論文  参考訳（メタデータ） (2025-06-04T11:50:55Z)
• What Do Learning Dynamics Reveal About Generalization in LLM Reasoning? [83.83230167222852]
  モデルの一般化動作は,事前記憶列車の精度と呼ばれるトレーニング指標によって効果的に特徴づけられることがわかった。 モデルの学習行動と一般化を結びつけることで、トレーニング戦略に目標とする改善を導くことができる。
  論文  参考訳（メタデータ） (2024-11-12T09:52:40Z)
• Improving Language Model Reasoning with Self-motivated Learning [60.779625789039486]
  textitSelfをモチベーションとする学習フレームワークは、モデル自体をモチベーションとして、既存のデータセットで合理性を自動的に生成する。 我々は,有理数の品質を評価するためにランク付き報酬モデルを訓練し,強化学習による推論の性能向上を図る。
  論文  参考訳（メタデータ） (2024-04-10T14:05:44Z)
• TREEMENT: Interpretable Patient-Trial Matching via Personalized Dynamic Tree-Based Memory Network [54.332862955411656]
  臨床試験は薬物開発に不可欠であるが、しばしば高価で非効率な患者募集に苦しむ。 近年,患者と臨床試験を自動マッチングすることで患者採用を高速化する機械学習モデルが提案されている。 本稿では,TREement という名前の動的ツリーベースメモリネットワークモデルを導入する。
  論文  参考訳（メタデータ） (2023-07-19T12:35:09Z)
• A Multimodal Transformer: Fusing Clinical Notes with Structured EHR Data for Interpretable In-Hospital Mortality Prediction [8.625186194860696]
  臨床ノートと構造化HRデータを融合し,院内死亡率の予測に役立てる新しいマルチモーダルトランスフォーマーを提案する。 そこで本研究では,臨床ノートにおいて重要な単語を選択するための統合的勾配(IG)手法を提案する。 また,臨床 BERT における領域適応型事前訓練とタスク適応型微調整の重要性についても検討した。
  論文  参考訳（メタデータ） (2022-08-09T03:49:52Z)
• TrialGraph: Machine Intelligence Enabled Insight from Graph Modelling of Clinical Trials [0.0]
  我々はCT.gov, AACT, TrialTroveデータベースから収集した治験データセット(n=1191臨床試験、100万人の患者を代表する)を紹介する。 次に,グラフ機械学習アルゴリズムの数学的基礎と実装について詳述する。 我々はこれらのモデルを用いて、疾患、既往の医療状況、治療に関する情報を与えられた臨床試験の副作用情報を予測する訓練を行った。
  論文  参考訳（メタデータ） (2021-12-15T15:36:57Z)
• Rationale production to support clinical decision-making [31.66739991129112]
  本稿では,病院の退院予測にInfoCalを適用した。 選択された解釈可能性を持つ各提示モデルや特徴重要度法は,それぞれ異なる結果をもたらす。
  論文  参考訳（メタデータ） (2021-11-15T09:02:10Z)
• Improvement of a Prediction Model for Heart Failure Survival through Explainable Artificial Intelligence [0.0]
  本研究は、心不全生存予測モデルの説明可能性分析と評価について述べる。 このモデルでは、最高のアンサンブルツリーアルゴリズムを選択できるデータワークフローパイプラインと、最高の機能選択テクニックが採用されている。 本論文の主な貢献は、精度-説明可能性バランスに基づいて、HF生存率の最良の予測モデルを選択するための説明可能性駆動型アプローチである。
  論文  参考訳（メタデータ） (2021-08-20T09:03:26Z)
• Hemogram Data as a Tool for Decision-making in COVID-19 Management: Applications to Resource Scarcity Scenarios [62.997667081978825]
  新型コロナウイルス(COVID-19)のパンデミックは世界中の緊急対応システムに挑戦している。 本研究は, 症状患者の血液検査データから得られた機械学習モデルについて述べる。 提案されたモデルでは、新型コロナウイルスqRT-PCRの結果を、高い精度、感度、特異性で症状のある個人に予測することができる。
  論文  参考訳（メタデータ） (2020-05-10T01:45:03Z)
• Self-Training with Improved Regularization for Sample-Efficient Chest X-Ray Classification [80.00316465793702]
  挑戦的なシナリオで堅牢なモデリングを可能にするディープラーニングフレームワークを提案する。 その結果,85%のラベル付きデータを用いて,大規模データ設定で学習した分類器の性能に適合する予測モデルを構築することができた。
  論文  参考訳（メタデータ） (2020-05-03T02:36:00Z)

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。