Fugu-MT 論文翻訳(概要): A tutorial on discovering and quantifying the effect of latent causal sources of multimodal EHR data

論文の概要: A tutorial on discovering and quantifying the effect of latent causal sources of multimodal EHR data

arxiv url: http://arxiv.org/abs/2510.16026v2
Date: Fri, 31 Oct 2025 14:35:48 GMT
ステータス: 翻訳完了
システム内更新日: 2025-11-03 15:46:17.66377
Title: A tutorial on discovering and quantifying the effect of latent causal sources of multimodal EHR data
Title（参考訳）: マルチモーダルEHRデータにおける潜伏因果関係の探索と定量化に関するチュートリアル
Authors: Marco Barbero-Mota, Eric V. Strobl, John M. Still, William W. Stead, Thomas A. Lasko,
Abstract要約: 大規模電子健康記録観測における潜伏因果関係の発見と臨床結果に対する因果関係の定量化を目的として,一般化可能な因果関係機械学習パイプラインについて述べる。本稿では,不完全なマルチモーダル臨床データを処理し,確率的に独立な潜伏源に分解し,個別因果効果を推定できるタスク固有因果モデルを訓練する方法について述べる。提案手法の2つの現実的応用の成果を, 大規模医療発見のための汎用性と有用性の実証として要約した。
参考スコア（独自算出の注目度）: 2.9033848132822726
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: We provide an accessible description of a peer-reviewed generalizable causal machine learning pipeline to (i) discover latent causal sources of large-scale electronic health records observations, and (ii) quantify the source causal effects on clinical outcomes. We illustrate how imperfect multimodal clinical data can be processed, decomposed into probabilistic independent latent sources, and used to train taskspecific causal models from which individual causal effects can be estimated. We summarize the findings of the two real-world applications of the approach to date as a demonstration of its versatility and utility for medical discovery at scale.
Abstract（参考訳）: 我々は、ピアレビュー可能な汎用因果機械学習パイプラインのアクセス可能な記述を提供する。一大規模電子健康記録観測の潜伏因の発見、及び (II)臨床結果に対する根源因果効果の定量化。本稿では,不完全なマルチモーダル臨床データを処理し,確率的に独立な潜伏源に分解し,個別因果効果を推定できるタスク固有因果モデルを訓練する方法について述べる。提案手法の2つの現実的応用の成果を, 大規模医療発見のための汎用性と有用性の実証として要約した。

関連論文リスト

Robust Multimodal Representation Learning in Healthcare [12.190907451083765]
実世界の医療データセットは、一般的に複数のソースからの体系的なバイアスを含む。本稿では,バイアスを特定し,対処するDual-Stream Feature Deorrelation Frameworkを提案する。本手法では,因果関係から因果関係を解き放つために,因果関係のデコリレーション・フレームワークとデュアルストリームニューラルネットワークを用いる。
論文参考訳（メタデータ） (2026-01-29T16:27:54Z)
Causal Debiasing Medical Multimodal Representation Learning with Missing Modalities [6.02318066285653]
現実の医療データセットは、コスト、プロトコル、患者固有の制約によって、しばしばモダリティの欠如に悩まされる。本手法は,(1) バックドア調整に基づく因果介入を近似する欠如解離モジュール,(2) 因果関係から因果関係を明示的に解離する二重分岐ニューラルネットワークの2つの重要な構成要素から構成される。
論文参考訳（メタデータ） (2025-09-06T06:27:10Z)
Do-PFN: In-Context Learning for Causal Effect Estimation [75.62771416172109]
予備データ適合ネットワーク(PFN)は, 合成データに基づいて事前学習を行い, 結果を予測する。提案手法により,基礎となる因果グラフの知識を必要とせず,因果効果の正確な推定が可能となる。
論文参考訳（メタデータ） (2025-06-06T12:43:57Z)
A data-driven approach to discover and quantify systemic lupus erythematosus etiological heterogeneity from electronic health records [4.167173990365707]
全身性エリテマトーデス(Systemic lupus erythematosus, SLE)は、多くの症状を呈する複雑な疾患である。マルチモーダル不完全なEHRデータから確率的独立情報源を発見するためのデータ駆動型手法を提案する。
論文参考訳（メタデータ） (2025-01-13T11:00:31Z)
Causal Representation Learning from Multimodal Biomedical Observations [57.00712157758845]
バイオメディカルデータセットの理解を容易にするために,マルチモーダルデータに対するフレキシブルな識別条件と原理的手法を開発した。主要な理論的貢献は、モジュラリティ間の因果関係の構造的空間性である。実世界のヒト表現型データセットの結果は、確立された生物医学研究と一致している。
論文参考訳（メタデータ） (2024-11-10T16:40:27Z)
Beyond DAGs: A Latent Partial Causal Model for Multimodal Learning [80.44084021062105]
本稿では,非方向エッジで連結された2つの潜在結合変数を特徴とする,多モーダルデータに対する新しい潜在部分因果モデルを提案する。特定の統計的仮定の下では、多モーダル・コントラッシブ・ラーニングによって学習された表現が、自明な変換までの潜在結合変数に対応することを示す。事前トレーニングされたCLIPモデルの実験は、非絡み合った表現を具現化し、数ショットの学習を可能にし、さまざまな現実世界のデータセットにわたるドメインの一般化を改善する。
論文参考訳（メタデータ） (2024-02-09T07:18:06Z)
Discovering and Reasoning of Causality in the Hidden World with Large Language Models [109.62442253177376]
我々はCausal representatiOn AssistanT(COAT)と呼ばれる新しいフレームワークを開発し、因果発見に有用な測定変数を提案する。大規模言語モデル (LLM) と因果関係を直接推論する代わりに、COAT は中間因果発見結果から LLM へのフィードバックを構築し、提案した変数を洗練させる。
論文参考訳（メタデータ） (2024-02-06T12:18:54Z)
Why Do Probabilistic Clinical Models Fail To Transport Between Sites? [6.660458629649825]
訓練現場での超人的臨床成績を達成する計算モデルは、新しい場所では著しく悪化する可能性がある。本報告では, このトランスポートの失敗の原因として, 臨床データ生成プロセスに固有の実験者および情報源の制御のもと, ソースに分割した。
論文参考訳（メタデータ） (2023-11-08T16:09:25Z)
Identifiable Latent Polynomial Causal Models Through the Lens of Change [82.14087963690561]
因果表現学習は、観測された低レベルデータから潜在的な高レベル因果表現を明らかにすることを目的としている。主な課題の1つは、識別可能性(identifiability)として知られるこれらの潜伏因果モデルを特定する信頼性の高い保証を提供することである。
論文参考訳（メタデータ） (2023-10-24T07:46:10Z)
Learning interpretable causal networks from very large datasets, application to 400,000 medical records of breast cancer patients [1.2647816797166165]
我々は,汎用的な相互情報最高原理に基づく,より信頼性が高くスケーラブルな因果探索法(iMIIC)を報告する。乳がん患者396,179名を対象に,iMIICの医療データと実生医療データについて紹介した。
論文参考訳（メタデータ） (2023-03-11T15:18:19Z)
Quantifying & Modeling Multimodal Interactions: An Information Decomposition Framework [89.8609061423685]
本稿では,入力モーダル性と出力タスクを関連付けた冗長性,特異性,シナジーの度合いを定量化する情報理論手法を提案する。 PID推定を検証するために、PIDが知られている合成データセットと大規模マルチモーダルベンチマークの両方で広範な実験を行う。本研究では,(1)マルチモーダルデータセット内の相互作用の定量化,(2)マルチモーダルモデルで捉えた相互作用の定量化,(3)モデル選択の原理的アプローチ,(4)実世界のケーススタディの3つにその有用性を示す。
論文参考訳（メタデータ） (2023-02-23T18:59:05Z)
Causality-Based Multivariate Time Series Anomaly Detection [63.799474860969156]
我々は、因果的観点から異常検出問題を定式化し、多変量データを生成するための通常の因果的メカニズムに従わない事例として、異常を考察する。次に、まずデータから因果構造を学習し、次に、あるインスタンスが局所因果機構に対して異常であるかどうかを推定する因果検出手法を提案する。我々は、実世界のAIOpsアプリケーションに関するケーススタディと同様に、シミュレートされたデータセットとパブリックなデータセットの両方を用いて、私たちのアプローチを評価します。
論文参考訳（メタデータ） (2022-06-30T06:00:13Z)
Efficient Causal Inference from Combined Observational and Interventional Data through Causal Reductions [68.6505592770171]
因果効果を推定する際の主な課題の1つである。そこで本研究では,任意の数の高次元潜入共創者を置き換える新たな因果還元法を提案する。パラメータ化縮小モデルを観測データと介入データから共同で推定する学習アルゴリズムを提案する。
論文参考訳（メタデータ） (2021-03-08T14:29:07Z)

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。