論文の概要: SepsisSuite: Beyond Risk Stratification -- A Comparative Analysis of Deep Fusion vs. Expert Stacking for Prescriptive Sepsis AI

• arxiv url: http://arxiv.org/abs/2512.14712v1
• Date: Mon, 08 Dec 2025 19:09:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-18 17:06:26.678317
• Title: SepsisSuite: Beyond Risk Stratification -- A Comparative Analysis of Deep Fusion vs. Expert Stacking for Prescriptive Sepsis AI
• Title（参考訳）: SepsisSuite: リスクストラテフィケーションを超えて - 規範的なSepsis AIのためのDeep FusionとExpert Stackingの比較分析
• Authors: Ryan Cartularo,
• Abstract要約: 本稿では,終端から終端までの深層核融合とセプシスタスクにおけるコンテキスト・アウェア・スタックリングの厳密なアーキテクチャ比較について述べる。 専門医としてモダリティを治療し,臨床発症4時間前の予測値である0.915 AUCを達成した。 これらのモデルは、臨床決定をサポートするPythonフレームワークであるSepsisSuiteに統合されている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Sepsis accounts for nearly 20% of global ICU admissions, yet conventional prediction models often fail to effectively integrate heterogeneous data streams, remaining either siloed by modality or reliant on brittle early fusion. In this work, we present a rigorous architectural comparison between End-to-End Deep Fusion and Context-Aware Stacking for sepsis tasks. We initially hypothesized that a novel Quad-Modal Hierarchical Gated Attention Network -- termed SepsisFusionFormer -- would resolve complex cross-modal interactions between vitals, text, and imaging. However, experiments on MIMIC-IV revealed that SepsisFusionFormer suffered from "attention starvation" in the small antibiotic cohort ($N \approx 2,100$), resulting in overfitting (AUC 0.66). This counterintuitive result informed the design of SepsisLateFusion, a "leaner" Context-Aware Mixture-of-Experts (MoE) architecture. By treating modalities as orthogonal experts -- the "Historian" (Static), the "Monitor" (Temporal), and the "Reader" (NLP) -- and dynamically gating them via a CatBoost meta-learner, we achieved State-of-the-Art (SOTA) performance: 0.915 AUC for prediction 4 hours prior to clinical onset. By calibrating the decision threshold for clinical safety, we reduced missed cases by 48% relative to the default operating point, thus opening a true preventative window for timely intervention over reactive alerts. Furthermore, for the novel prescriptive task of multi-class antibiotic selection, we demonstrate that a Quad-Modal Ensemble achieved the highest performance (0.72 AUC). These models are integrated into SepsisSuite, a deployment-ready Python framework for clinical decision support. SepsisSuite is available for free at: https://github.com/RyanCartularo/SepsisSuite-Info
• Abstract（参考訳）: SepsisはグローバルICUの20%近くを占めるが、従来の予測モデルは不均一なデータストリームを効果的に統合することができず、モダリティによってサイロ化されるか、不安定な早期融合に依存している。 本研究では,セシス処理におけるエンド・ツー・エンド・エンド・ディープ・フュージョンとコンテキスト・アウェア・スタックリングの厳密なアーキテクチャ比較を示す。 SepsisFusionFormerと呼ばれる新しいQuad-Modal Hierarchical Gated Attention Networkが、バイタル、テキスト、画像の間の複雑なクロスモーダル相互作用を解消する、という仮説を立てた。 しかしMIMIC-IVの実験では、SepsisFusionFormerが小さな抗生物質コホート(N \approx 2,100$)の「注意の飢餓」に悩まされ、オーバーフィッティング(AUC 0.66)が発生した。 この直感的な結果は、"leaner" Context-Aware Mixture-of-Experts (MoE)アーキテクチャであるSepsisLateFusionの設計を知らせた。 正統性の専門家として,「ヒストリアン」と「モニター」と「リーダー」を併用し,CatBoostメタラーナーを用いて動的に学習することで,臨床発症4時間前の予測では「0.915 AUC」を達成できた。 臨床安全のための判定基準を調整することにより,デフォルトの手術点に対して欠席症例を48%減らし,反応警告に対する時間的介入の真の防止窓を開くことができた。 さらに,多クラス抗生物質選択の新しい規範的課題として,Quad-Modal Ensembleが最高性能(0.72AUC)を達成したことを実証した。 これらのモデルは、臨床診断をサポートするデプロイ対応のPythonフレームワークであるSepsisSuiteに統合されている。 SepsisSuiteは、https://github.com/RyanCartularo/SepsisSuite-Info.comから無料で入手できる。

関連論文リスト

• Transparent Early ICU Mortality Prediction with Clinical Transformer and Per-Case Modality Attribution [42.85462513661566]
  ICU滞在後48時間から, 生理的時系列測定と非構造的臨床記録とを融合した, 軽量で透明なマルチモーダルアンサンブルを提案する。 ロジスティック回帰モデルは、バイタル用双方向LSTMとノート用微調整された臨床ModernBERT変換器の2つのモード固有モデルからの予測を組み合わせる。 MIMIC-IIIベンチマークでは、遅延融合アンサンブルは、よく校正された予測を維持しながら、最高の単一モデルに対する差別を改善する。
  論文  参考訳（メタデータ） (2025-11-19T20:11:49Z)
• MEET-Sepsis: Multi-Endogenous-View Enhanced Time-Series Representation Learning for Early Sepsis Prediction [50.74903497515021]
  セプシス(Sepsis)は、集中治療室(ICUs)の高死亡にともなう致命的な感染症である。 早期かつ正確な敗血症予測(SP)は、時間的介入には重要であるが、微妙な早期症状と急激な死亡率の増大により、依然として困難である。 本稿では,拡張された特徴ビューを構築するための多言語ビュー表現強化(MERE)機構と,時間的表現学習のためのCDTAモジュールを提案する。 提案したMEET-Sepsis フレームワークは,SOTA 法で要求される ICU モニタリング時間の 20% のみを用いて,競合予測の精度を実現し,大幅に向上した。
  論文  参考訳（メタデータ） (2025-10-13T13:38:29Z)
• AortaDiff: A Unified Multitask Diffusion Framework For Contrast-Free AAA Imaging [7.769952833857425]
  非コントラストCTスキャンから合成CECT画像を生成する統合ディープラーニングフレームワークを提案する。 本研究では,条件拡散モデル(CDM)とマルチタスク学習を統合し,画像合成と解剖学的セグメンテーションのエンドツーエンド共同最適化を実現する。
  論文  参考訳（メタデータ） (2025-10-01T22:19:27Z)
• Hemorica: A Comprehensive CT Scan Dataset for Automated Brain Hemorrhage Classification, Segmentation, and Detection [0.749500254646884]
  Hemoricaは、2012年から2024年の間に取得された372個の頭部CT検査の公開コレクションである。 ICHサブタイプ(EPH)、サブデューラル(SDH)、サブアラキノイド(SAH)、パーレンキマル(IPH)の5つのサブタイプ(EPH)に対して、各スキャンは徹底的に注釈付けされている。 Hemoricaは、マルチタスクとカリキュラム学習をサポートする統一されたきめ細かいベンチマークを提供する。
  論文  参考訳（メタデータ） (2025-09-26T23:09:41Z)
• U-Mamba2-SSL for Semi-Supervised Tooth and Pulp Segmentation in CBCT [44.3806898357896]
  U-Mamba2-SSLは,U-Mamba2モデル上に構築され,多段階の学習戦略を用いる,新しい半教師付き学習フレームワークである。 U-Mamba2-SSLは平均スコア0.789、DSC0.917を隠しテストセットで達成し、STSR 2025のタスク1で1位となった。
  論文  参考訳（メタデータ） (2025-09-24T14:19:33Z)
• Latent Space Data Fusion Outperforms Early Fusion in Multimodal Mental Health Digital Phenotyping Data [0.0]
  うつ病や不安などの精神疾患は早期発見とパーソナライズされた介入の方法を改善する必要がある。 従来の予測モデルは、精神医学的なデータの複雑なマルチモーダルな性質を捉えるのに失敗する、単調なデータや初期の融合戦略に依存していることが多い。 日常的なうつ症状の予測のための中間的(相対的空間)核融合の評価を行った。
  論文  参考訳（メタデータ） (2025-07-10T18:10:46Z)
• Optimality and Adaptivity of Deep Neural Features for Instrumental Variable Regression [57.40108516085593]
  ディープ・フィーチャー・インスツルメンタル・変数(DFIV)回帰(Deep Feature instrumental variable)は、ディープ・ニューラルネットワークによって学習されたデータ適応的特徴を用いたIV回帰に対する非パラメトリックなアプローチである。 DFIVアルゴリズムは,目的構造関数がベソフ空間にある場合,最小最適学習率を実現する。
  論文  参考訳（メタデータ） (2025-01-09T01:22:22Z)
• Phikon-v2, A large and public feature extractor for biomarker prediction [42.52549987351643]
  我々は、DINOv2を用いて視覚変換器を訓練し、このモデルの1つのイテレーションを公開して、Phikon-v2と呼ばれるさらなる実験を行う。 Phikon-v2は、公開されている組織学のスライドをトレーニングしながら、以前リリースしたモデル(Phikon)を上回り、プロプライエタリなデータでトレーニングされた他の病理学基盤モデル(FM)と同等に動作します。
  論文  参考訳（メタデータ） (2024-09-13T20:12:29Z)
• Cervical Cytology Classification Using PCA & GWO Enhanced Deep Features Selection [1.990876596716716]
  子宮頸癌は世界でも最も致命的かつ一般的な疾患の1つである。 ディープラーニングと特徴選択を利用した完全自動化フレームワークを提案する。 このフレームワークは3つの公開ベンチマークデータセットで評価されている。
  論文  参考訳（メタデータ） (2021-06-09T08:57:22Z)

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。