Fugu-MT 論文翻訳(概要): Medical Test-free Disease Detection Based on Big Data

論文の概要: Medical Test-free Disease Detection Based on Big Data

arxiv url: http://arxiv.org/abs/2512.07856v1
Date: Wed, 26 Nov 2025 08:25:47 GMT
ステータス: 翻訳完了
システム内更新日: 2025-12-15 04:16:52.520692
Title: Medical Test-free Disease Detection Based on Big Data
Title（参考訳）: ビッグデータを用いた臨床検査不要な疾患検出
Authors: Haokun Zhao, Yingzhe Bai, Qingyang Xu, Lixin Zhou, Jianxin Chen, Jicong Fan,
Abstract要約: 本稿では,新しいグラフベースディープラーニングモデルであるCLDDを提案する。 CLDDは患者と患者との相互作用と電子的な健康記録からの人口統計的特徴を統合し、患者1人につき数百から数千の病気を検出する。患者61,191人、疾患2,000人からなるMIMIC-IVデータセットの処理版実験により、CLDDが代表的ベースラインを一貫して上回ることが示された。
参考スコア（独自算出の注目度）: 18.234796014316718
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Accurate disease detection is of paramount importance for effective medical treatment and patient care. However, the process of disease detection is often associated with extensive medical testing and considerable costs, making it impractical to perform all possible medical tests on a patient to diagnose or predict hundreds or thousands of diseases. In this work, we propose Collaborative Learning for Disease Detection (CLDD), a novel graph-based deep learning model that formulates disease detection as a collaborative learning task by exploiting associations among diseases and similarities among patients adaptively. CLDD integrates patient-disease interactions and demographic features from electronic health records to detect hundreds or thousands of diseases for every patient, with little to no reliance on the corresponding medical tests. Extensive experiments on a processed version of the MIMIC-IV dataset comprising 61,191 patients and 2,000 diseases demonstrate that CLDD consistently outperforms representative baselines across multiple metrics, achieving a 6.33\% improvement in recall and 7.63\% improvement in precision. Furthermore, case studies on individual patients illustrate that CLDD can successfully recover masked diseases within its top-ranked predictions, demonstrating both interpretability and reliability in disease prediction. By reducing diagnostic costs and improving accessibility, CLDD holds promise for large-scale disease screening and social health security.
Abstract（参考訳）: 正確な疾患検出は、効果的な医療と患者医療にとって最重要事項である。しかし、疾患検出のプロセスは、広範囲な医学的検査と相当なコストに関係しており、患者に対して数百から数千の疾患を診断または予測するために、可能なすべての医療検査を実行することは現実的ではない。本研究では, 患者間の関連性や類似性を適応的に活用することにより, 協調学習タスクとして疾患検出を定式化する, グラフベースの新しいディープラーニングモデルであるCLDDを提案する。 CLDDは、患者と患者との相互作用と、電子的な健康記録からの人口統計学的特徴を統合し、患者ごとに数百から数千の疾患を検知し、対応する医療検査にほとんど依存しない。 61,191人の患者と2000の疾患からなるMIMIC-IVデータセットの処理版に関する広範囲な実験により、CLDDは複数の指標で一貫して代表ベースラインを上回り、リコールでは6.33\%、精度は7.63\%向上した。さらに、個々の患者に対するケーススタディでは、CLDDがトップランクの予測内でマスクされた疾患を回復し、疾患予測における解釈可能性と信頼性の両方を証明できることを示した。診断コストの削減とアクセシビリティの向上により、CLDDは大規模疾患スクリーニングと社会保障を約束している。

関連論文リスト

Beyond Traditional Diagnostics: Transforming Patient-Side Information into Predictive Insights with Knowledge Graphs and Prototypes [55.310195121276074]
本稿では,病気を予測するための知識グラフ,プロトタイプ認識,解釈可能なフレームワークを提案する。構造化された信頼された医療知識を統合された疾患知識グラフに統合し、臨床的に意味のある疾患のプロトタイプを構築し、予測精度を高めるために対照的な学習を利用する。臨床的に有効な説明を提供し、患者の物語と密接に一致し、患者中心のヘルスケアデリバリーの実践的価値を強調している。
論文参考訳（メタデータ） (2025-12-09T05:37:54Z)
Evolving Diagnostic Agents in a Virtual Clinical Environment [75.59389103511559]
本稿では,大規模言語モデル(LLM)を強化学習を用いた診断エージェントとして訓練するためのフレームワークを提案する。本手法は対話型探索と結果に基づくフィードバックによって診断戦略を取得する。 DiagAgentはDeepSeek-v3やGPT-4oなど、最先端の10のLLMを著しく上回っている。
論文参考訳（メタデータ） (2025-10-28T17:19:47Z)
An Agentic System for Rare Disease Diagnosis with Traceable Reasoning [69.46279475491164]
大型言語モデル(LLM)を用いた最初のまれな疾患診断エージェントシステムであるDeepRareを紹介する。 DeepRareは、まれな疾患の診断仮説を分類し、それぞれに透明な推論の連鎖が伴う。このシステムは2,919の疾患に対して異常な診断性能を示し、1013の疾患に対して100%の精度を達成している。
論文参考訳（メタデータ） (2025-06-25T13:42:26Z)
Assessing and Enhancing Large Language Models in Rare Disease Question-answering [64.32570472692187]
本稿では,レアな疾患の診断におけるLarge Language Models (LLMs) の性能を評価するために,レアな疾患問合せデータセット(ReDis-QA)を導入する。 ReDis-QAデータセットでは1360の高品質な質問応答ペアを収集し,205の稀な疾患をカバーした。その後、いくつかのオープンソースのLCMをベンチマークし、希少疾患の診断がこれらのモデルにとって重要な課題であることを示した。実験の結果,ReCOPは,ReDis-QAデータセット上でのLCMの精度を平均8%向上できることがわかった。
論文参考訳（メタデータ） (2024-08-15T21:09:09Z)
Using Pre-training and Interaction Modeling for ancestry-specific disease prediction in UK Biobank [69.90493129893112]
近年のゲノムワイド・アソシエーション(GWAS)研究は、複雑な形質の遺伝的基盤を明らかにしているが、非ヨーロッパ系個体の低発現を示している。そこで本研究では,マルチオミクスデータを用いて,多様な祖先間での疾患予測を改善することができるかを評価する。
論文参考訳（メタデータ） (2024-04-26T16:39:50Z)
Large Language Multimodal Models for 5-Year Chronic Disease Cohort Prediction Using EHR Data [15.474201222908107]
糖尿病などの慢性疾患が世界中で致死率と死亡率の主な原因となっている。我々は,慢性疾患リスクの予測にマルチモーダルデータを組み込んだLarge Language Multimodal Models (LLMMs) フレームワークを提案する。本手法では, テキスト埋め込みエンコーダとマルチヘッドアテンション層を組み合わせて, 深層ニューラルネットワーク(DNN)モジュールを用いて, 血液の特徴と慢性疾患のセマンティクスを潜在空間にマージする。
論文参考訳（メタデータ） (2024-03-02T22:33:17Z)
Feature-context driven Federated Meta-Learning for Rare Disease Prediction [5.841823822793997]
本稿では,フェデレートされたメタラーニングに基づく,まれな疾患予測のための新しいアプローチを提案する。提案手法は,従来のフェデレーションメタ学習アルゴリズムの精度と高速化に優れることを示す。
論文参考訳（メタデータ） (2021-12-29T02:18:43Z)
Application of Machine Learning to Predict the Risk of Alzheimer's Disease: An Accurate and Practical Solution for Early Diagnostics [1.1470070927586016]
アルツハイマー病(AD)は500万人以上のアメリカ人の認知能力を悪化させ、医療システムに多大な負担をかけている。本稿では,医療画像のない,臨床訪問や検査の少ないAD開発のための機械学習予測モデルを提案する。本モデルは,2つの顕著な研究結果から,人口統計,バイオマーカー,認知テストデータを用いて訓練し,検証した。
論文参考訳（メタデータ） (2020-06-02T14:52:51Z)

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。