論文の概要: TACL: Threshold-Adaptive Curriculum Learning Strategy for Enhancing Medical Text Understanding

• arxiv url: http://arxiv.org/abs/2510.15269v1
• Date: Fri, 17 Oct 2025 03:16:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-20 20:17:34.455387
• Title: TACL: Threshold-Adaptive Curriculum Learning Strategy for Enhancing Medical Text Understanding
• Title（参考訳）: TACL:医学的テキスト理解を促進するための閾値適応型カリキュラム学習戦略
• Authors: Mucheng Ren, Yucheng Yan, He Chen, Danqing Hu, Jun Xu, Xian Zeng,
• Abstract要約: TACL(Threshold-Adaptive Curriculum Learning)は、トレーニング中にモデルが医療用テキストとどのように相互作用するかを再考する新しいフレームワークである。 データを難易度に分類し、トレーニングの初期段階でより単純なケースを優先順位付けすることで、TACLはより複雑なレコードに取り組む前に強力な基盤を構築する。 自動ICD符号化, 寛解予測, TCM 症候群の鑑別など, 様々な臨床課題にまたがる顕著な改善が観察された。
• 参考スコア（独自算出の注目度）: 8.188646882370792
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Medical texts, particularly electronic medical records (EMRs), are a cornerstone of modern healthcare, capturing critical information about patient care, diagnoses, and treatments. These texts hold immense potential for advancing clinical decision-making and healthcare analytics. However, their unstructured nature, domain-specific language, and variability across contexts make automated understanding an intricate challenge. Despite the advancements in natural language processing, existing methods often treat all data as equally challenging, ignoring the inherent differences in complexity across clinical records. This oversight limits the ability of models to effectively generalize and perform well on rare or complex cases. In this paper, we present TACL (Threshold-Adaptive Curriculum Learning), a novel framework designed to address these challenges by rethinking how models interact with medical texts during training. Inspired by the principle of progressive learning, TACL dynamically adjusts the training process based on the complexity of individual samples. By categorizing data into difficulty levels and prioritizing simpler cases early in training, the model builds a strong foundation before tackling more complex records. By applying TACL to multilingual medical data, including English and Chinese clinical records, we observe significant improvements across diverse clinical tasks, including automatic ICD coding, readmission prediction and TCM syndrome differentiation. TACL not only enhances the performance of automated systems but also demonstrates the potential to unify approaches across disparate medical domains, paving the way for more accurate, scalable, and globally applicable medical text understanding solutions.
• Abstract（参考訳）: 医学的テキスト、特に電子的医療記録(EMR)は現代の医療の基盤であり、患者の医療、診断、治療に関する重要な情報を捉えている。 これらのテキストは、臨床意思決定と医療分析を前進させる大きな可能性を秘めている。 しかし、それらの非構造化の性質、ドメイン固有言語、コンテキスト間の多様性は、自動化された理解を複雑な課題にします。 自然言語処理の進歩にもかかわらず、既存の方法では、すべてのデータを同等に困難なものとして扱い、臨床記録間の複雑さの固有の相違を無視している。 この監視により、稀な場合や複雑な場合においてモデルが効果的に一般化し、うまく機能する能力は制限される。 本稿では,TACL(Threshold-Adaptive Curriculum Learning)について紹介する。 進歩学習の原理にインスパイアされたTACLは、個々のサンプルの複雑さに基づいてトレーニングプロセスを動的に調整する。 データを難易度に分類し、トレーニングの初期段階でより単純なケースを優先順位付けすることで、モデルはより複雑なレコードに取り組む前に強力な基盤を構築する。 英語と中国語の臨床記録を含む多言語医療データにTACLを適用することで,自動ICD符号化,寛容予測,TCM症候群の鑑別など,様々な臨床課題の大幅な改善が観察された。 TACLは、自動化されたシステムの性能を向上させるだけでなく、異なる医療領域にまたがるアプローチを統一し、より正確でスケーラブルでグローバルに適用可能な医療テキスト理解ソリューションを実現する可能性も示している。

関連論文リスト

• A Comprehensive Review of Datasets for Clinical Mental Health AI Systems [55.67299586253951]
  本稿では,AIを活用した臨床アシスタントの訓練・開発に関連する臨床精神保健データセットの総合的調査を行う。 本調査では, 縦断データの欠如, 文化・言語表現の制限, 一貫性のない収集・注釈基準, 合成データのモダリティの欠如など, 重要なギャップを明らかにした。
  論文  参考訳（メタデータ） (2025-08-13T13:42:35Z)
• Medical Reasoning in the Era of LLMs: A Systematic Review of Enhancement Techniques and Applications [59.721265428780946]
  医学における大きな言語モデル(LLM)は印象的な能力を実現しているが、体系的で透明で検証可能な推論を行う能力に重大なギャップが残っている。 本稿は、この新興分野に関する最初の体系的なレビューを提供する。 本稿では,学習時間戦略とテスト時間メカニズムに分類した推論強化手法の分類法を提案する。
  論文  参考訳（メタデータ） (2025-08-01T14:41:31Z)
• One Patient, Many Contexts: Scaling Medical AI with Contextual Intelligence [16.450764388516244]
  コンテキストスイッチングにより、医療AIは専門分野、人口、地理に適応できる。 データ設計、モデルアーキテクチャ、評価フレームワークの進歩が必要です。
  論文  参考訳（メタデータ） (2025-06-11T20:23:57Z)
• Bringing CLIP to the Clinic: Dynamic Soft Labels and Negation-Aware Learning for Medical Analysis [0.9944647907864256]
  臨床的に強化されたダイナミック・ソフト・ラベルと医用グラフィカル・アライメントを統合した新しいアプローチを提案する。 われわれのアプローチは、医療用CLIPトレーニングパイプラインに容易に統合され、最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2025-05-28T08:00:18Z)
• Systematic Literature Review on Clinical Trial Eligibility Matching [0.24554686192257422]
  レビューでは、説明可能なAIと標準化されたオントロジーがクリニックの信頼を高め、採用を広げる方法が強調されている。 臨床治験採用におけるNLPの変革的ポテンシャルを十分に実現するためには、高度な意味的および時間的表現、拡張されたデータ統合、厳密な予測的評価のさらなる研究が必要である。
  論文  参考訳（メタデータ） (2025-03-02T11:45:50Z)
• A Multi-View Joint Learning Framework for Embedding Clinical Codes and Text Using Graph Neural Networks [23.06795121693656]
  我々は,テキストの可用性と前方性,およびICDコードの性能向上を両立させるため,コードとテキストから学習するフレームワークを提案する。 我々のアプローチでは、ICDコードを処理するグラフニューラルネットワーク(GNN)と、テキストを処理するBi-LSTMを用いています。 計画された外科手術用テキストを用いた実験では,BERTモデルが臨床データに微調整されたモデルよりも優れていた。
  論文  参考訳（メタデータ） (2023-01-27T09:19:03Z)
• Towards more patient friendly clinical notes through language models and ontologies [57.51898902864543]
  本稿では,単語の単純化と言語モデリングに基づく医療用テキストの自動作成手法を提案する。 我々は,公開医療文のデータセットペアと,臨床医による簡易化版を用いている。 本手法は,医学フォーラムデータに基づく言語モデルを用いて,文法と本来の意味の両方を保存しながら,より単純な文を生成する。
  論文  参考訳（メタデータ） (2021-12-23T16:11:19Z)
• Self-supervised Answer Retrieval on Clinical Notes [68.87777592015402]
  本稿では,ドメイン固有パスマッチングのためのトランスフォーマー言語モデルをトレーニングするためのルールベースのセルフスーパービジョンであるCAPRを紹介する。 目的をトランスフォーマーベースの4つのアーキテクチャ、コンテキスト文書ベクトル、ビ-、ポリエンコーダ、クロスエンコーダに適用する。 本稿では,ドメイン固有パスの検索において,CAPRが強いベースラインを上回り,ルールベースおよび人間ラベル付きパスを効果的に一般化することを示す。
  論文  参考訳（メタデータ） (2021-08-02T10:42:52Z)
• Benchmarking Automated Clinical Language Simplification: Dataset, Algorithm, and Evaluation [48.87254340298189]
  我々はMedLaneという名の新しいデータセットを構築し、自動化された臨床言語簡易化手法の開発と評価を支援する。 我々は,人間のアノテーションの手順に従い,最先端のパフォーマンスを実現するDECLAREと呼ばれる新しいモデルを提案する。
  論文  参考訳（メタデータ） (2020-12-04T06:09:02Z)

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。