論文の概要: FT-MDT: Extracting Decision Trees from Medical Texts via a Novel Low-rank Adaptation Method

• arxiv url: http://arxiv.org/abs/2510.04655v1
• Date: Mon, 06 Oct 2025 09:59:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-07 16:52:59.796965
• Title: FT-MDT: Extracting Decision Trees from Medical Texts via a Novel Low-rank Adaptation Method
• Title（参考訳）: FT-MDT:新しい低ランク適応手法による医用テキストからの決定木抽出
• Authors: Yuheng Li, Jiechao Gao, Wei Han, Wenwen Ouyang, Wei Zhu, Hui Yi Leong,
• Abstract要約: 臨床用テキストから医療用決定木(MDT)を自動的に抽出する新しい低ランク適応法であるPI-LoRAを提案する。 勾配経路情報を統合して、異なるモジュール間の相乗効果を捕捉し、より効果的で信頼性の高いランク割り当てを可能にする。 医用ガイドラインデータセットを用いた実験により, PI-LoRA法はText2MDTタスクにおいて, 既存のパラメータ効率の高い微調整手法よりも有意に優れていることが示された。
• 参考スコア（独自算出の注目度）: 19.964184794525618
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Knowledge of the medical decision process, which can be modeled as medical decision trees (MDTs), is critical to building clinical decision support systems. However, current MDT construction methods rely heavily on time-consuming and laborious manual annotation. To address this challenge, we propose PI-LoRA (Path-Integrated LoRA), a novel low-rank adaptation method for automatically extracting MDTs from clinical guidelines and textbooks. We integrate gradient path information to capture synergistic effects between different modules, enabling more effective and reliable rank allocation. This framework ensures that the most critical modules receive appropriate rank allocations while less important ones are pruned, resulting in a more efficient and accurate model for extracting medical decision trees from clinical texts. Extensive experiments on medical guideline datasets demonstrate that our PI-LoRA method significantly outperforms existing parameter-efficient fine-tuning approaches for the Text2MDT task, achieving better accuracy with substantially reduced model complexity. The proposed method achieves state-of-the-art results while maintaining a lightweight architecture, making it particularly suitable for clinical decision support systems where computational resources may be limited.
• Abstract（参考訳）: 医療決定木(MDT)としてモデル化できる医療決定プロセスの知識は,臨床意思決定支援システムの構築に不可欠である。 しかし、現在の MDT の構築手法は、時間と手間のかかる手作業によるアノテーションに大きく依存している。 この課題に対処するために,臨床ガイドラインや教科書からMDTを自動的に抽出する新しい低ランク適応手法であるPI-LoRA(Path-Integrated LoRA)を提案する。 勾配経路情報を統合して、異なるモジュール間の相乗効果を捕捉し、より効果的で信頼性の高いランク割り当てを可能にする。 この枠組みにより、最も重要なモジュールが適切なランクアロケーションを受けながら、重要でないモジュールがプルーニングされ、その結果、臨床テキストから医療決定木を抽出するより効率的で正確なモデルが得られます。 医用ガイドラインデータセットの大規模な実験により, PI-LoRA法は, Text2MDTタスクのパラメータ効率の高い微調整手法よりも優れており, モデル複雑性を大幅に低減して精度が向上することが示された。 提案手法は軽量なアーキテクチャを維持しながら最先端の成果を達成し,特に計算資源が制限される臨床診断支援システムに適している。

関連論文リスト

• From Promise to Practical Reality: Transforming Diffusion MRI Analysis with Fast Deep Learning Enhancement [35.368152968098194]
  FastFOD-Netは、FODを優れたパフォーマンスで強化し、臨床使用のためのトレーニング/推論効率を提供するエンドツーエンドのディープラーニングフレームワークである。 この研究は、拡散MRIの強化のための深層学習に基づく手法を、より広く採用し、臨床信頼を構築することを促進する。
  論文  参考訳（メタデータ） (2025-08-13T17:56:29Z)
• Censoring-Aware Tree-Based Reinforcement Learning for Estimating Dynamic Treatment Regimes with Censored Outcomes [4.877686100899469]
  Censoring-Aware Tree-Based Reinforcement Learning (CA-TRL)は、検閲データに関連する複雑さに対処する新しいフレームワークである。 本稿では,SANADエピレプシー・データセットを用いた広範囲なシミュレーションと実世界の応用を通して,その効果を実証する。
  論文  参考訳（メタデータ） (2025-03-09T16:53:09Z)
• Structured Outputs Enable General-Purpose LLMs to be Medical Experts [50.02627258858336]
  大規模言語モデル(LLM)は、しばしばオープンエンドの医学的問題に苦しむ。 本稿では,構造化医療推論を利用した新しいアプローチを提案する。 我々の手法は85.8のファクチュアリティスコアを達成し、微調整されたモデルを上回る。
  論文  参考訳（メタデータ） (2025-03-05T05:24:55Z)
• Gradient Boosting Decision Trees on Medical Diagnosis over Tabular Data [0.0]
  アンサンブル法は、医学的意思決定プロセスの成功の観点から、強力な代替手段を提供する。 本研究では,医学分類作業におけるアンサンブル手法,特にGBDTアルゴリズムの利点について検討した。
  論文  参考訳（メタデータ） (2024-09-25T17:13:05Z)
• Large Language Model Distilling Medication Recommendation Model [58.94186280631342]
  大規模言語モデル(LLM)の強力な意味理解と入力非依存特性を利用する。 本研究は, LLMを用いて既存の薬剤推奨手法を変換することを目的としている。 これを軽減するため,LLMの習熟度をよりコンパクトなモデルに伝達する機能レベルの知識蒸留技術を開発した。
  論文  参考訳（メタデータ） (2024-02-05T08:25:22Z)
• Interpretable Medical Diagnostics with Structured Data Extraction by Large Language Models [59.89454513692417]
  タブラルデータはしばしばテキストに隠され、特に医学的診断報告に使用される。 本稿では,TEMED-LLM と呼ばれるテキスト医療報告から構造化表状データを抽出する手法を提案する。 本手法は,医学診断における最先端のテキスト分類モデルよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-06-08T09:12:28Z)
• Self-Verification Improves Few-Shot Clinical Information Extraction [73.6905567014859]
  大規模言語モデル (LLMs) は、数発のテキスト内学習を通じて臨床キュレーションを加速する可能性を示している。 正確性や解釈可能性に関する問題、特に健康のようなミッションクリティカルな領域ではまだ苦戦している。 本稿では,自己検証を用いた汎用的な緩和フレームワークについて検討する。このフレームワークはLLMを利用して,自己抽出のための証明を提供し,その出力をチェックする。
  論文  参考訳（メタデータ） (2023-05-30T22:05:11Z)

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。