論文の概要: CafeMed: Causal Attention Fusion Enhanced Medication Recommendation

• arxiv url: http://arxiv.org/abs/2511.14064v1
• Date: Tue, 18 Nov 2025 02:44:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-19 16:23:52.887221
• Title: CafeMed: Causal Attention Fusion Enhanced Medication Recommendation
• Title（参考訳）: CafeMed:Causal Attention Fusion(CafeMed)による医療勧告の強化
• Authors: Kelin Ren, Chan-Yang Ju, Dong-Ho Lee,
• Abstract要約: CafeMedは、動的因果推論とクロスモーダルアテンションを統合して、安全かつ正確な薬物推奨を行うフレームワークである。 以上の結果から,ダイナミック因果関係とクロスモーダルシナジーを取り入れることで,より臨床的に整合し,パーソナライズされた医薬推奨がもたらされることが示唆された。
• 参考スコア（独自算出の注目度）: 9.91438130100011
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Medication recommendation systems play a crucial role in assisting clinicians with personalized treatment decisions. While existing approaches have made significant progress in learning medication representations, they suffer from two fundamental limitations: (i) treating medical entities as independent features without modeling their synergistic effects on medication selection; (ii) employing static causal relationships that fail to adapt to patient-specific contexts and health states. To address these challenges, we propose CafeMed, a framework that integrates dynamic causal reasoning with cross-modal attention for safe and accurate medication recommendation. CafeMed introduces two key components: the Causal Weight Generator (CWG) that transforms static causal effects into dynamic modulation weights based on individual patient states, and the Channel Harmonized Attention Refinement Module (CHARM) that captures complex interdependencies between diagnoses and procedures. This design enables CafeMed to model how different medical conditions jointly influence treatment decisions while maintaining medication safety constraints. Extensive experiments on MIMIC-III and MIMIC-IV datasets demonstrate that CafeMed significantly outperforms state-of-the-art baselines, achieving superior accuracy in medication prediction while maintaining the lower drug--drug interaction rates. Our results indicate that incorporating dynamic causal relationships and cross-modal synergies leads to more clinically-aligned and personalized medication recommendations. Our code is released publicly at https://github.com/rkl71/CafeMed.
• Abstract（参考訳）: 医薬推奨システムは、個別の治療決定を行う臨床医を支援する上で重要な役割を担っている。 既存のアプローチは、薬物表現の学習において顕著な進歩を遂げてきたが、それらは2つの基本的な限界に悩まされている。 一 薬品選択に対する相乗効果をモデル化することなく、医療機関を独立した特徴として扱うこと。 (2)患者固有の状況や健康状態に適応できない静的因果関係を採用する。 これらの課題に対処するために,動的因果推論と相互注意を統合し,安全かつ正確な薬剤推奨を行うフレームワークであるCafeMedを提案する。 CafeMedでは、静的因果効果を個々の患者状態に基づいて動的変調重みに変換するCausal Weight Generator (CWG)と、診断と手順の間の複雑な相互依存性をキャプチャするChannel Harmonized Attention Refinement Module (CHARM)という2つの重要なコンポーネントを紹介している。 この設計により、CafeMedは、異なる医療条件が医薬品の安全性の制約を維持しながら、治療決定にどのように影響するかをモデル化することができる。 MIMIC-IIIとMIMIC-IVデータセットの大規模な実験により、CafeMedは最先端のベースラインを著しく上回り、薬物と薬物の相互作用速度を低く保ちながら、薬剤の予測において優れた精度を達成していることが示された。 以上の結果から,ダイナミック因果関係とクロスモーダルシナジーを取り入れることで,より臨床的に整合し,パーソナライズされた医薬推奨がもたらされることが示唆された。 私たちのコードはhttps://github.com/rkl71/CafeMed.comで公開されています。

関連論文リスト

• MedAlign: A Synergistic Framework of Multimodal Preference Optimization and Federated Meta-Cognitive Reasoning [52.064286116035134]
  我々はMed-VQA(Med-VQA)のための視覚的LVLM応答を保証するフレームワークであるMedAlignを開発した。 まず、優先学習を視覚的コンテキストに合わせるために、マルチモーダルな直接選好最適化(mDPO)の目的を提案する。 次に、画像とテキストの類似性を生かし、クエリを専門的でコンテキスト拡張されたLVLMにルーティングする検索型混合処理(RA-MoE)アーキテクチャを設計する。
  論文  参考訳（メタデータ） (2025-10-24T02:11:05Z)
• Natural Language-Assisted Multi-modal Medication Recommendation [97.07805345563348]
  NLA-MMR(Natural Language-Assisted Multi-modal Medication Recommendation)を紹介する。 NLA-MMRは、患者視点から知識を学習し、医薬視点を共同で学習するために設計されたマルチモーダルアライメントフレームワークである。 本稿では,プレトレーニング言語モデル(PLM)を用いて,患者や医薬品に関するドメイン内知識を抽出する。
  論文  参考訳（メタデータ） (2025-01-13T09:51:50Z)
• CausalMed: Causality-Based Personalized Medication Recommendation Centered on Patient health state [11.137353555292277]
  CausalMedは、患者の表現のパーソナライズを高めることができる患者の健康状態中心モデルである。 本手法はよりパーソナライズされた患者表現を学習し、精度と安全性において最先端のモデルより優れる。
  論文  参考訳（メタデータ） (2024-04-18T14:44:08Z)
• Leave No Patient Behind: Enhancing Medication Recommendation for Rare Disease Patients [47.68396964741116]
  本稿では,レアな疾患の正確性を高めるために,ロバストとメディケーションのための高精度勧告(RAREMed)と呼ばれる新しいモデルを提案する。 入力シーケンスを統一したトランスフォーマーエンコーダを使用して、疾患と手続きコードの間の複雑な関係をキャプチャする。 稀な疾患と一般的な疾患の両方に対して正確な薬物セットを提供し、薬の推奨システムにおける不公平を緩和する。
  論文  参考訳（メタデータ） (2024-03-26T14:36:22Z)
• StratMed: Relevance Stratification between Biomedical Entities for Sparsity on Medication Recommendation [9.296433860766165]
  StratMedは、長い尾の問題を克服し、スパースデータの完全な学習を実現する成層戦略である。 また、薬品の組み合わせの安全性と正確性に関する相互制約の問題に対処するために、デュアルプロパティネットワークを利用する。 本モデルでは,安全性リスクを15.08%削減し,精度を0.36%向上し,トレーニング時間消費を81.66%削減する。
  論文  参考訳（メタデータ） (2023-08-31T14:59:32Z)
• Improving Multiple Sclerosis Lesion Segmentation Across Clinical Sites: A Federated Learning Approach with Noise-Resilient Training [75.40980802817349]
  深層学習モデルは、自動的にMS病変を分節する約束を示しているが、正確な注釈付きデータの不足は、この分野の進歩を妨げている。 我々は,MS病変の不均衡分布とファジィ境界を考慮したDecoupled Hard Label Correction(DHLC)戦略を導入する。 また,集約型中央モデルを利用したCELC(Centrally Enhanced Label Correction)戦略も導入した。
  論文  参考訳（メタデータ） (2023-08-31T00:36:10Z)
• Decision Support System for Chronic Diseases Based on Drug-Drug Interactions [67.9840225237587]
  本稿では,医師の意思決定を支援するための薬物と薬物の相互作用に基づくDSSDDIと呼ばれる意思決定支援システムを提案する。 DDIモジュールは、薬物と薬物の相互作用からより安全で効果的な薬物表現を学習する。 MDモジュールは、患者と薬物の表現を文脈として、DDIと患者の類似性を治療として、薬物の使用を結果として考える。
  論文  参考訳（メタデータ） (2023-03-04T12:44:38Z)

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。