論文の概要: A global log for medical AI
- arxiv url: http://arxiv.org/abs/2510.04033v1
- Date: Sun, 05 Oct 2025 04:52:26 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-07 16:52:59.412364
- Title: A global log for medical AI
- Title（参考訳）: 医療用AIのグローバルログ
- Authors: Ayush Noori, Adam Rodman, Alan Karthikesalingam, Bilal A. Mateen, Christopher A. Longhurst, Daniel Yang, Dave deBronkart, Gauden Galea, Harold F. Wolf III, Jacob Waxman, Joshua C. Mandel, Juliana Rotich, Kenneth D. Mandl, Maryam Mustafa, Melissa Miles, Nigam H. Shah, Peter Lee, Robert Korom, Scott Mahoney, Seth Hain, Tien Yin Wong, Trevor Mundel, Vivek Natarajan, Noa Dagan, David A. Clifton, Ran D. Balicer, Isaac S. Kohane, Marinka Zitnik,
- Abstract要約: 臨床AIのイベントレベルロギングのためのプロトコルであるMedLogを紹介する。
MedLogはリスクベースのサンプリング、ライフサイクル対応の保持ポリシ、書き込みバインドキャッシュをサポートする。
MedLogレコードの保存と解析を行う新しいデータベースとソフトウェアの開発を触媒する。
- 参考スコア（独自算出の注目度）: 24.45124603301646
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Modern computer systems often rely on syslog, a simple, universal protocol that records every critical event across heterogeneous infrastructure. However, healthcare's rapidly growing clinical AI stack has no equivalent. As hospitals rush to pilot large language models and other AI-based clinical decision support tools, we still lack a standard way to record how, when, by whom, and for whom these AI models are used. Without that transparency and visibility, it is challenging to measure real-world performance and outcomes, detect adverse events, or correct bias or dataset drift. In the spirit of syslog, we introduce MedLog, a protocol for event-level logging of clinical AI. Any time an AI model is invoked to interact with a human, interface with another algorithm, or act independently, a MedLog record is created. This record consists of nine core fields: header, model, user, target, inputs, artifacts, outputs, outcomes, and feedback, providing a structured and consistent record of model activity. To encourage early adoption, especially in low-resource settings, and minimize the data footprint, MedLog supports risk-based sampling, lifecycle-aware retention policies, and write-behind caching; detailed traces for complex, agentic, or multi-stage workflows can also be captured under MedLog. MedLog can catalyze the development of new databases and software to store and analyze MedLog records. Realizing this vision would enable continuous surveillance, auditing, and iterative improvement of medical AI, laying the foundation for a new form of digital epidemiology.
- Abstract（参考訳）: 現代のコンピュータシステムはサイスログ(syslog)を頼りにしており、これは単純で普遍的なプロトコルであり、不均一なインフラストラクチャをまたいだあらゆる重要なイベントを記録する。
しかし、医療の急成長する臨床AIスタックは同等ではない。
病院が大規模言語モデルやその他のAIベースの臨床意思決定支援ツールの試験に急いでいると、どのように、誰が、誰が、誰が、誰が、どのAIモデルが使われているかを記録するための標準的な方法がまだ欠けている。
このような透明性と可視性がなければ、現実のパフォーマンスと結果を測定したり、有害なイベントを検出したり、バイアスやデータセットのドリフトを正したりするのは難しいのです。
サイスログの精神では、臨床AIのイベントレベルロギングのためのプロトコルであるMedLogを紹介する。
AIモデルを呼び出すと、人間と対話したり、他のアルゴリズムとインターフェースをやりとりしたり、独立して振る舞うと、MedLogレコードが生成される。
このレコードは、ヘッダ、モデル、ユーザ、ターゲット、インプット、アーティファクト、アウトプット、結果、フィードバックの9つのコアフィールドで構成され、構造化され一貫したモデルアクティビティの記録を提供する。
特に低リソース環境での早期採用を奨励し、データフットプリントを最小限に抑えるため、MedLogはリスクベースのサンプリング、ライフサイクル対応の保持ポリシー、書き込みビハインドキャッシュをサポートし、複雑な、エージェント、マルチステージワークフローの詳細なトレースもMedLogで取得できる。
MedLogは、MedLogレコードの保存と解析のために、新しいデータベースとソフトウェアの開発を触媒する。
このビジョンを実現することで、継続的な監視、監査、医療AIの反復的な改善が可能になり、新たなデジタル疫学の基盤となる。
関連論文リスト
- Why can't Epidemiology be automated (yet)? [0.0]
既存のデータセットを用いて疫学課題の景観をマッピングする。
既存のAIツールが効率を向上する場所を特定します。
近年開発されたエージェントシステムは疫学的解析を設計・実行できるようになった。
論文 参考訳（メタデータ） (2025-07-21T13:41:52Z) - Improving Out-of-distribution Human Activity Recognition via IMU-Video Cross-modal Representation Learning [3.177649348456073]
ウェアラブル慣性センサーに基づくヒューマンアクティビティ認識(HAR)は,遠隔健康モニタリングにおいて重要な役割を担っている。
我々は,大規模未ラベルIMUビデオデータから表現を学習するための,クロスモーダルな自己教師型事前学習手法を提案する。
以上の結果から,提案手法は現状のIMU-ビデオ事前訓練手法よりも優れていたことが示唆された。
論文 参考訳（メタデータ） (2025-07-17T18:47:46Z) - MedCodER: A Generative AI Assistant for Medical Coding [3.7153274758003967]
我々は、自動医療コーディングのためのジェネレーティブAIフレームワークであるMedCodERを紹介する。
MedCodERは、ICD(International Classification of Diseases)コード予測において、マイクロF1スコアの0.60を達成している。
疾患診断,ICD符号,エビデンステキストを付加した医療記録を含む新しいデータセットを提案する。
論文 参考訳（メタデータ） (2024-09-18T19:36:33Z) - Medical Vision-Language Pre-Training for Brain Abnormalities [96.1408455065347]
本稿では,PubMedなどの公共リソースから,医用画像・テキスト・アライメントデータを自動的に収集する方法を示す。
特に,まず大きな脳画像テキストデータセットを収集することにより,事前学習プロセスの合理化を図るパイプラインを提案する。
また,医療領域におけるサブフィギュアをサブキャプションにマッピングするというユニークな課題についても検討した。
論文 参考訳（メタデータ） (2024-04-27T05:03:42Z) - MONAI Label: A framework for AI-assisted Interactive Labeling of 3D
Medical Images [49.664220687980006]
注釈付きデータセットの欠如は、タスク固有の教師付き機械学習モデルをトレーニングする上で、大きなボトルネックとなる。
本稿では,人工知能(AI)モデルに基づくアプリケーション開発を支援する,フリーかつオープンソースなフレームワークであるmonAI Labelを紹介する。
論文 参考訳（メタデータ） (2022-03-23T12:33:11Z) - CheXstray: Real-time Multi-Modal Data Concordance for Drift Detection in
Medical Imaging AI [1.359138408203412]
医用画像AIドリフトモニタリングワークフローを構築してテストし、同時代の地上真実なしにデータとモデルドリフトを追跡する。
主な貢献は,(1)VAEおよび領域特異的統計手法を含む医用画像ドリフト検出のための概念実証である。
この研究は、動的医療環境における継続的医療画像AIモデルモニタリングに関連する翻訳ギャップに対処するために重要な意味を持つ。
論文 参考訳（メタデータ） (2022-02-06T18:58:35Z) - DrugOOD: Out-of-Distribution (OOD) Dataset Curator and Benchmark for
AI-aided Drug Discovery -- A Focus on Affinity Prediction Problems with Noise
Annotations [90.27736364704108]
我々は、AI支援薬物発見のための体系的なOODデータセットキュレーターおよびベンチマークであるTarmOODを提案する。
DrugOODには、ベンチマークプロセスを完全に自動化するオープンソースのPythonパッケージが付属している。
我々は、薬物標的結合親和性予測という、AIDDにおける最も重要な問題の1つに焦点を当てる。
論文 参考訳（メタデータ） (2022-01-24T12:32:48Z) - A Methodology for a Scalable, Collaborative, and Resource-Efficient
Platform to Facilitate Healthcare AI Research [0.0]
本稿では,データ取得,データセット開発と分析,AIモデル開発を高速化するシステムを提案する。
このシステムは、1時間に15,000人の患者記録を取り込み、各記録は何千もの測定値、テキストノート、高解像度のデータを表す。
論文 参考訳（メタデータ） (2021-12-13T18:39:10Z) - MedPerf: Open Benchmarking Platform for Medical Artificial Intelligence
using Federated Evaluation [110.31526448744096]
この可能性を解き明かすには、大規模な異種データに対して医療AIモデルの性能を測定する体系的な方法が必要である、と私たちは主張する。
MedPerfは、医療分野で機械学習をベンチマークするためのオープンフレームワークです。
論文 参考訳（メタデータ） (2021-09-29T18:09:41Z) - BiteNet: Bidirectional Temporal Encoder Network to Predict Medical
Outcomes [53.163089893876645]
本稿では,患者の医療旅行におけるコンテキスト依存と時間的関係を捉える,新たな自己注意機構を提案する。
エンド・ツー・エンドの双方向時間エンコーダネットワーク(BiteNet)が患者の旅路の表現を学習する。
実世界のEHRデータセットを用いた2つの教師付き予測と2つの教師なしクラスタリングタスクにおける手法の有効性を評価した。
論文 参考訳（メタデータ） (2020-09-24T00:42:36Z) - Self-Supervised Log Parsing [59.04636530383049]
大規模ソフトウェアシステムは、大量の半構造化ログレコードを生成する。
既存のアプローチは、ログ特化や手動ルール抽出に依存している。
本稿では,自己教師付き学習モデルを用いて解析タスクをマスク言語モデリングとして定式化するNuLogを提案する。
論文 参考訳（メタデータ） (2020-03-17T19:25:25Z)
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。