論文の概要: Accurate and Interpretable Postmenstrual Age Prediction via Multimodal Large Language Model

• arxiv url: http://arxiv.org/abs/2508.02525v1
• Date: Mon, 04 Aug 2025 15:35:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-05 18:25:22.406951
• Title: Accurate and Interpretable Postmenstrual Age Prediction via Multimodal Large Language Model
• Title（参考訳）: 多モーダル大言語モデルによる経年予測の精度と解釈
• Authors: Qifan Chen, Jin Cui, Cindy Duan, Yushuo Han, Yifei Shi,
• Abstract要約: 命令チューニングとローランド適応(LoRA)を用いたパラメータ効率細調整(PEFT)戦略を提案する。 トレーニングと推論に異なるプロンプトを用いることで、MLLMはトレーニング中に回帰タスクを処理し、推論中に臨床的に関連する説明を生成することができる。 微調整されたモデルでは、95%の信頼区間が 0.78 から 1.52 週間の低い予測誤差を達成し、一方で、発達的特徴に基づく解釈可能な出力を生成する。
• 参考スコア（独自算出の注目度）: 4.176819645111134
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Accurate estimation of postmenstrual age (PMA) at scan is crucial for assessing neonatal development and health. While deep learning models have achieved high accuracy in predicting PMA from brain MRI, they often function as black boxes, offering limited transparency and interpretability in clinical decision support. In this work, we address the dual challenge of accuracy and interpretability by adapting a multimodal large language model (MLLM) to perform both precise PMA prediction and clinically relevant explanation generation. We introduce a parameter-efficient fine-tuning (PEFT) strategy using instruction tuning and Low-Rank Adaptation (LoRA) applied to the Qwen2.5-VL-7B model. The model is trained on four 2D cortical surface projection maps derived from neonatal MRI scans. By employing distinct prompts for training and inference, our approach enables the MLLM to handle a regression task during training and generate clinically relevant explanations during inference. The fine-tuned model achieves a low prediction error with a 95 percent confidence interval of 0.78 to 1.52 weeks, while producing interpretable outputs grounded in developmental features, marking a significant step toward transparent and trustworthy AI systems in perinatal neuroscience.
• Abstract（参考訳）: 乳幼児の発達と健康を評価するためには, 経時的にPMAを正確に評価することが重要である。 深層学習モデルは、脳MRIからPMAを予測する上で高い精度を達成したが、しばしばブラックボックスとして機能し、臨床診断支援における透明性と解釈可能性に制限を与えている。 本研究では,多モーダル大言語モデル(MLLM)を適用して,PMA予測と臨床関連説明生成の両方を正確に行うことにより,精度と解釈可能性の両面的な課題に対処する。 本稿では,Qwen2.5-VL-7Bモデルに適用した命令チューニングと低ランク適応(LoRA)を用いたパラメータ効率細調整(PEFT)戦略を提案する。 このモデルは、新生児MRIスキャンから得られた4つの2次元皮質表面のプロジェクションマップに基づいて訓練されている。 トレーニングと推論に異なるプロンプトを用いることで、MLLMはトレーニング中に回帰タスクを処理し、推論中に臨床的に関連する説明を生成することができる。 微調整されたモデルでは、95%の信頼区間が0.78から1.52週間の低い予測誤差を達成し、発達的特徴に基づく解釈可能なアウトプットを生成し、周産期神経科学における透明で信頼性の高いAIシステムへの重要な一歩となる。

関連論文リスト

• SurgeryLSTM: A Time-Aware Neural Model for Accurate and Explainable Length of Stay Prediction After Spine Surgery [44.119171920037196]
  選択的脊椎手術における滞在時間(LOS)予測のための機械学習モデルの開発と評価を行った。 我々は,従来のMLモデルと,マスク付き双方向長短期記憶(BiLSTM)であるオペレーショナルLSTMを比較した。 決定係数(R2)を用いて性能を評価し,説明可能なAIを用いて鍵予測器を同定した。
  論文  参考訳（メタデータ） (2025-07-15T01:18:28Z)
• Explainable AI for Mental Health Emergency Returns: Integrating LLMs with Predictive Modeling [2.466324275447403]
  救急部門(ED)は精神状態の回復が大きな医療負担となり、患者の24-27%が30日以内に帰国する。 大規模言語モデル(LLM)と機械学習を統合することにより、EDメンタルヘルスリターンリスクモデルの予測精度と臨床的解釈性が向上するか否かを評価する。
  論文  参考訳（メタデータ） (2025-01-21T15:41:20Z)
• LlaMADRS: Prompting Large Language Models for Interview-Based Depression Assessment [75.44934940580112]
  LlaMADRSは、オープンソースのLarge Language Models(LLM)を利用して、うつ病の重症度評価を自動化する新しいフレームワークである。 本研究は,クリニカルインタヴューの解釈・スコアリングにおけるモデル指導のために,慎重に設計された手がかりを用いたゼロショットプロンプト戦略を用いている。 実世界における236件のインタビューを対象とし,臨床評価と強い相関性を示した。
  論文  参考訳（メタデータ） (2025-01-07T08:49:04Z)
• Machine Learning for ALSFRS-R Score Prediction: Making Sense of the Sensor Data [44.99833362998488]
  筋萎縮性側索硬化症(Amyotrophic Lateral Sclerosis、ALS)は、急速に進行する神経変性疾患である。 iDPP@CLEF 2024チャレンジを先導した今回の調査は,アプリから得られるセンサデータを活用することに焦点を当てている。
  論文  参考訳（メタデータ） (2024-07-10T19:17:23Z)
• Neural parameter calibration and uncertainty quantification for epidemic forecasting [0.0]
  感染パラメータの確率密度を学習する問題に対して,新しい強力な計算手法を適用した。 ニューラルネットワークを用いて、2020年にベルリンで発生した新型コロナウイルスの感染拡大に関するデータにODEモデルを調整します。 本手法は,感染の簡易SIRモデルにおいて,本手法の真の後部への収束を示すとともに,縮小データセット上での学習能力を実証する。
  論文  参考訳（メタデータ） (2023-12-05T21:34:59Z)
• Sparse high-dimensional linear mixed modeling with a partitioned empirical Bayes ECM algorithm [41.25603565852633]
  この研究は、高次元LMMに対する効率的かつ正確なベイズ的枠組みを示す。 このアプローチの斬新さは、パーティショニングとパラメータ拡張と、高速でスケーラブルな計算にある。 実世界の例では、小児のループスの研究データを用いて、新しいループスバイオマーカーに関連する遺伝子と臨床因子を特定し、時間とともにバイオマーカーを予測する。
  論文  参考訳（メタデータ） (2023-10-18T19:34:56Z)
• Improving Clinical Decision Support through Interpretable Machine Learning and Error Handling in Electronic Health Records [6.594072648536156]
  Trust-MAPSは、臨床領域の知識を高次元の混合整数プログラミングモデルに変換する。 信頼スコアは、臨床決定支援タスクの予測性能を高めるだけでなく、MLモデルに解釈可能性を与える臨床的に有意義な特徴として出現する。
  論文  参考訳（メタデータ） (2023-08-21T15:14:49Z)
• Domain Transfer Through Image-to-Image Translation for Uncertainty-Aware Prostate Cancer Classification [42.75911994044675]
  前立腺MRIの非対位画像翻訳のための新しいアプローチと臨床的に重要なPCaを分類するための不確実性認識トレーニングアプローチを提案する。 提案手法では,無ペアの3.0T多パラメータ前立腺MRIを1.5Tに翻訳し,利用可能なトレーニングデータを増強する。 実験の結果,提案手法は,従来の研究に比べてAUC(Area Under ROC Curve)を20%以上改善することがわかった。
  論文  参考訳（メタデータ） (2023-07-02T05:26:54Z)
• A multi-stage machine learning model on diagnosis of esophageal manometry [50.591267188664666]
  このフレームワークには、飲み込みレベルにおけるディープラーニングモデルと、学習レベルにおける機能ベースの機械学習モデルが含まれている。 これは、生のマルチスワローデータからHRM研究のCC診断を自動的に予測する最初の人工知能モデルである。
  論文  参考訳（メタデータ） (2021-06-25T20:09:23Z)
• Predicting Intensive Care Unit Length of Stay and Mortality Using Patient Vital Signs: Machine Learning Model Development and Validation [0.22940141855172028]
  モデルは、インテリジェントな遠隔患者監視フレームワークのインテリジェントなicu患者監視モジュールで使用される。 集中治療(mimic)データベースのための公開医療情報マートを用いて,成人患者に対するicu滞在データを抽出した。 死亡率モデルに6mlアルゴリズムを適用して退院状況(生存の有無)の予測を行った。 滞在モデルの長さについて,2.64日間の中央値のICU滞在率を用いて,同じ6つのMLアルゴリズムをバイナリ分類に適用した。
  論文  参考訳（メタデータ） (2021-05-05T18:45:26Z)
• Transfer Learning without Knowing: Reprogramming Black-box Machine Learning Models with Scarce Data and Limited Resources [78.72922528736011]
  そこで我々は,ブラックボックス・アタベラル・リプログラミング (BAR) という新しい手法を提案する。 ゼロオーダー最適化とマルチラベルマッピング技術を用いて、BARは入力出力応答のみに基づいてブラックボックスMLモデルをプログラムする。 BARは最先端の手法より優れ、バニラ対逆プログラミング法に匹敵する性能を得る。
  論文  参考訳（メタデータ） (2020-07-17T01:52:34Z)

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。