論文の概要: On Aligning Prediction Models with Clinical Experiential Learning: A Prostate Cancer Case Study

• arxiv url: http://arxiv.org/abs/2509.04053v1
• Date: Thu, 04 Sep 2025 09:32:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-05 20:21:10.118388
• Title: On Aligning Prediction Models with Clinical Experiential Learning: A Prostate Cancer Case Study
• Title（参考訳）: 臨床経験的学習を伴う適応予測モデルについて:前立腺癌症例の検討
• Authors: Jacqueline J. Vallon, William Overman, Wanqiao Xu, Neil Panjwani, Xi Ling, Sushmita Vij, Hilary P. Bagshaw, John T. Leppert, Sumit Shah, Geoffrey Sonn, Sandy Srinivas, Erqi Pollom, Mark K. Buyyounouski, Mohsen Bayati,
• Abstract要約: 本稿では,このモデル行動と臨床経験的学習の相違を調査するための枠組みを提案する。 まず,MLモデルに制約を課し,臨床知識を組み込むことにより,これらの矛盾を識別し,対処する。 本手法は,MLモデルを臨床経験的学習と整合させることが,性能を損なうことなく可能であることを示す。
• 参考スコア（独自算出の注目度）: 5.877851309205959
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Over the past decade, the use of machine learning (ML) models in healthcare applications has rapidly increased. Despite high performance, modern ML models do not always capture patterns the end user requires. For example, a model may predict a non-monotonically decreasing relationship between cancer stage and survival, keeping all other features fixed. In this paper, we present a reproducible framework for investigating this misalignment between model behavior and clinical experiential learning, focusing on the effects of underspecification of modern ML pipelines. In a prostate cancer outcome prediction case study, we first identify and address these inconsistencies by incorporating clinical knowledge, collected by a survey, via constraints into the ML model, and subsequently analyze the impact on model performance and behavior across degrees of underspecification. The approach shows that aligning the ML model with clinical experiential learning is possible without compromising performance. Motivated by recent literature in generative AI, we further examine the feasibility of a feedback-driven alignment approach in non-generative AI clinical risk prediction models through a randomized experiment with clinicians. Our findings illustrate that, by eliciting clinicians' model preferences using our proposed methodology, the larger the difference in how the constrained and unconstrained models make predictions for a patient, the more apparent the difference is in clinical interpretation.
• Abstract（参考訳）: 過去10年間で、医療アプリケーションにおける機械学習(ML)モデルの使用は急速に増加している。 高性能にもかかわらず、最新のMLモデルはエンドユーザが要求するパターンを常にキャプチャするとは限らない。 例えば、モデルはがんのステージと生存率の関係を単調に減らし、他の全ての特徴を固定し続けることができる。 本稿では,モデル行動と臨床経験的学習のミスアライメントを再現可能なフレームワークとして,現代のMLパイプラインの過小評価の影響に着目した。 前立腺がんの予後予測ケーススタディでは、まず臨床知識を取り入れ、調査によって収集され、MLモデルへの制約を通して、これらの矛盾を識別し、対処する。 本手法は,MLモデルを臨床経験的学習と整合させることが,性能を損なうことなく可能であることを示す。 さらに, 臨床医によるランダム化実験を通じて, 非生成型AI臨床リスク予測モデルにおけるフィードバック駆動アライメントアプローチの実現可能性について検討した。 本研究は, 提案手法を用いて臨床医のモデル嗜好を抽出することにより, 制約のないモデルと制約のないモデルとの差が大きいほど, 臨床解釈に差が生じることを示唆している。

関連論文リスト

• Evaluating Machine Learning Models against Clinical Protocols for Enhanced Interpretability and Continuity of Care [39.58317527488534]
  臨床実践において、意思決定は確立されたプロトコルに大きく依存し、しばしば規則として定式化される。 機械学習アプリケーションの増加にもかかわらず、臨床実践への導入は依然として限られている。 確立されたプロトコルに関して,MLモデルの精度を評価する指標を提案する。
  論文  参考訳（メタデータ） (2024-11-05T13:50:09Z)
• CPLLM: Clinical Prediction with Large Language Models [0.07083082555458872]
  本稿では,臨床疾患に対するLLM(Pre-trained Large Language Model)の微調整と寛容予測を行う手法を提案する。 診断予測には,患者の来訪時に対象疾患と診断されるか,その後に診断されるかを,過去の診断記録を利用して予測する。 提案手法であるCPLLMは,PR-AUCおよびROC-AUCの指標で試験された全てのモデルを上回ることを示した。
  論文  参考訳（メタデータ） (2023-09-20T13:24:12Z)
• CTP:A Causal Interpretable Model for Non-Communicable Disease Progression Prediction [12.282670150417953]
  本稿では,その限界に対応するために,因果軌道予測(CTP)と呼ばれる新しいモデルを提案する。 CTPは、軌跡予測と因果発見を組み合わせて、疾患進行軌跡の正確な予測を可能にする。 シミュレーションおよび実際の医療データセットを用いてモデルの性能を評価する。
  論文  参考訳（メタデータ） (2023-08-18T06:58:31Z)
• Benchmarking Heterogeneous Treatment Effect Models through the Lens of Interpretability [82.29775890542967]
  治療のパーソナライズされた効果を見積もるのは複雑だが、普及している問題である。 ヘテロジニアス処理効果推定に関する機械学習文献の最近の進歩は、洗練されたが不透明なツールの多くを生み出した。 我々は、ポストホックな特徴重要度法を用いて、モデルの予測に影響を及ぼす特徴を特定する。
  論文  参考訳（メタデータ） (2022-06-16T17:59:05Z)
• Clinical outcome prediction under hypothetical interventions -- a representation learning framework for counterfactual reasoning [31.97813934144506]
  本稿では,リスクモデルの組込み特性として,対実的説明の提供を考慮した新しい表現学習フレームワークを提案する。 提案する枠組みは, 研究者や臨床医がパーソナライズされたケアを改善するのに役立つ可能性が示唆された。
  論文  参考訳（メタデータ） (2022-05-15T09:41:16Z)
• What Do You See in this Patient? Behavioral Testing of Clinical NLP Models [69.09570726777817]
  本稿では,入力の変化に関する臨床結果モデルの振る舞いを評価する拡張可能なテストフレームワークを提案する。 私たちは、同じデータを微調整しても、モデル行動は劇的に変化し、最高のパフォーマンスのモデルが常に最も医学的に可能なパターンを学習していないことを示しています。
  論文  参考訳（メタデータ） (2021-11-30T15:52:04Z)
• 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)
• Integrating Expert ODEs into Neural ODEs: Pharmacology and Disease Progression [71.7560927415706]
  潜在ハイブリッドモデル(LHM)は、専門家が設計したODEのシステムと機械学習したNeural ODEを統合し、システムのダイナミクスを完全に記述する。 新型コロナウイルス患者のLHMと実世界の集中治療データについて検討した。
  論文  参考訳（メタデータ） (2021-06-05T11:42:45Z)
• Bayesian prognostic covariate adjustment [59.75318183140857]
  疾患の結果に関する歴史的データは、様々な方法で臨床試験の分析に組み込むことができる。 我々は, 予測モデルからの予後スコアを用いて, 治療効果推定の効率を向上する既存の文献に基づいて構築する。
  論文  参考訳（メタデータ） (2020-12-24T05:19:03Z)

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。