論文の概要: Temporal Fusion Nexus: A task-agnostic multi-modal embedding model for clinical narratives and irregular time series in post-kidney transplant care

• arxiv url: http://arxiv.org/abs/2601.08503v1
• Date: Tue, 13 Jan 2026 12:38:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-14 18:27:19.196832
• Title: Temporal Fusion Nexus: A task-agnostic multi-modal embedding model for clinical narratives and irregular time series in post-kidney transplant care
• Title（参考訳）: 仮設核融合Nexus : 腎移植後医療における臨床物語と不規則時系列のタスク非依存型マルチモーダル埋め込みモデル
• Authors: Aditya Kumar, Simon Rauch, Mario Cypko, Marcel Naik, Matthieu-P Schapranow, Aadil Rashid, Fabian Halleck, Bilgin Osmanodja, Roland Roller, Lars Pape, Klemens Budde, Mario Schiffer, Oliver Amft,
• Abstract要約: 不規則な時系列と非構造的な臨床物語を統合するために、TFN(Temporal Fusion Nexus)を導入する。 術後KTx治療における最先端モデルと比較すると, TFNは移植片の喪失, 移植片の拒絶に対して高い成績を示した。
• 参考スコア（独自算出の注目度）: 3.6169625357035513
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We introduce Temporal Fusion Nexus (TFN), a multi-modal and task-agnostic embedding model to integrate irregular time series and unstructured clinical narratives. We analysed TFN in post-kidney transplant (KTx) care, with a retrospective cohort of 3382 patients, on three key outcomes: graft loss, graft rejection, and mortality. Compared to state-of-the-art model in post KTx care, TFN achieved higher performance for graft loss (AUC 0.96 vs. 0.94) and graft rejection (AUC 0.84 vs. 0.74). In mortality prediction, TFN yielded an AUC of 0.86. TFN outperformed unimodal baselines (approx 10% AUC improvement over time series only baseline, approx 5% AUC improvement over time series with static patient data). Integrating clinical text improved performance across all tasks. Disentanglement metrics confirmed robust and interpretable latent factors in the embedding space, and SHAP-based attributions confirmed alignment with clinical reasoning. TFN has potential application in clinical tasks beyond KTx, where heterogeneous data sources, irregular longitudinal data, and rich narrative documentation are available.
• Abstract（参考訳）: 我々は,不規則な時系列と非構造的臨床物語を統合するためのマルチモーダルおよびタスクに依存しない埋め込みモデルであるTemporal Fusion Nexus (TFN)を紹介した。 腎移植後 (KTx) 治療におけるTFNは,3382例の振り返りコホートで, グラフト消失, 移植拒絶, 死亡の3つの主要な結果を得た。 術後KTxケアの最先端モデルと比較すると, TFNは移植片喪失(AUC 0.96 vs. 0.94)と移植片拒絶(AUC 0.84 vs. 0.74)に対して高い成績を示した。 死亡予測では、TFNはAUCが0.86である。 TFN は単調なベースラインよりも優れていた(AUC 10% AUC 10% AUC 10% AUC 10% AUC 10% AUC 5% AUC 5% AUC 5% AUC 5% AUC 5% AUC 10% AUC 10% AUC 10% AUC 10% AUC 10% AUC 10% AUC 10% AUC 10% AUC % AUC % AUC % AUC % AUC % AUC % AUC % AUC % AUC % AUC % AUC % AUC % AUC % AUC % AUC % AUC % AUC % AUC 臨床テキストの統合により、すべてのタスクにおけるパフォーマンスが改善された。 解離度は, 埋没空間における頑健で解釈可能な潜伏因子を同定し, SHAPによる属性は臨床理由と一致していた。 TFNは、異質なデータソース、不規則な縦断データ、リッチな物語資料が利用できるKTxを超える臨床タスクに潜在的に適用できる可能性がある。

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)
• Chronic Kidney Disease Prognosis Prediction Using Transformer [2.054117570146147]
  慢性腎臓病(CKD)は世界の人口の10%近くに影響し、しばしば末期腎不全へと進行する。 マルチモーダル電子健康記録を用いたCKD進行予測のためのトランスフォーマーベースのフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-11-04T07:52:17Z)
• Atrial Fibrillation Prediction Using a Lightweight Temporal Convolutional and Selective State Space Architecture [4.708957892654756]
  心房細動(AF)は、脳卒中、心不全、その他の心血管合併症のリスクを高める最も一般的な不整脈である。 AFの早期予測を可能にするために,RRインターバル(RRI)のみを用いた軽量ディープラーニングモデルを提案する。 モデルでは、30分の入力データを使用して、AFを最大2時間予測することが可能で、予防的介入に十分なリードタイムを提供する。
  論文  参考訳（メタデータ） (2025-08-26T18:37:36Z)
• A Novel Attention-Augmented Wavelet YOLO System for Real-time Brain Vessel Segmentation on Transcranial Color-coded Doppler [49.03919553747297]
  我々は,脳動脈を効率よく捉えることができるAIを利用したリアルタイムCoW自動分割システムを提案する。 Transcranial Color-coded Doppler (TCCD) を用いたAIによる脳血管セグメンテーションの事前研究は行われていない。 提案したAAW-YOLOは, 異方性および対側性CoW容器のセグメンテーションにおいて高い性能を示した。
  論文  参考訳（メタデータ） (2025-08-19T14:41:22Z)
• Predicting Length of Stay in Neurological ICU Patients Using Classical Machine Learning and Neural Network Models: A Benchmark Study on MIMIC-IV [49.1574468325115]
  本研究は、MIMIC-IVデータセットに基づく神経疾患患者を対象とした、ICUにおけるLOS予測のための複数のMLアプローチについて検討する。 評価されたモデルには、古典的MLアルゴリズム(K-Nearest Neighbors、Random Forest、XGBoost、CatBoost)とニューラルネットワーク(LSTM、BERT、テンポラルフュージョントランス)が含まれる。
  論文  参考訳（メタデータ） (2025-05-23T14:06:42Z)
• A multimodal ensemble approach for clear cell renal cell carcinoma treatment outcome prediction [6.199310532720352]
  臨床データ,マルチオミクスデータ,および病理組織学的全スライド画像(WSI)データを統合するマルチモーダルアンサンブルモデル(MMEM)を開発した。 MMEMはccRCC患者の全身生存率(OS)と無病生存率(DFS)を予測した。
  論文  参考訳（メタデータ） (2024-12-10T02:51:14Z)
• Recurrence-Free Survival Prediction for Anal Squamous Cell Carcinoma Chemoradiotherapy using Planning CT-based Radiomics Model [5.485361086613949]
  非転移性肛門扁平上皮癌(SCC)患者の約30%が化学療法後の再発を経験する 我々は,放射線前処置計画CTから抽出した情報を利用して,CRT後のSCC患者における再発無生存(RFS)を予測するモデルを開発した。
  論文  参考訳（メタデータ） (2023-09-05T20:22:26Z)
• Improved Prognostic Prediction of Pancreatic Cancer Using Multi-Phase CT by Integrating Neural Distance and Texture-Aware Transformer [37.55853672333369]
  本稿では, 異なる患者のCT像における腫瘍と血管の正確な関係を記述した, 学習可能なニューラル距離を提案する。 発達したリスクマーカーは, 術前因子の生存率の予測因子として最強であった。
  論文  参考訳（メタデータ） (2023-08-01T12:46:02Z)
• Deep-Learning Tool for Early Identifying Non-Traumatic Intracranial Hemorrhage Etiology based on CT Scan [40.51754649947294]
  深層学習モデルは、2011年1月から2018年4月までに収集された非外傷性ICHを用いた1868個のNCCTスキャンを用いて開発された。 診断成績は臨床医の成績と比較した。 臨床医は, システム拡張による特定の出血エチオロジーの感度, 特異性, 精度を著しく改善した。
  論文  参考訳（メタデータ） (2023-02-02T08:45:17Z)
• TranSOP: Transformer-based Multimodal Classification for Stroke Treatment Outcome Prediction [2.358784542343728]
  本稿では,臨床メタデータと画像情報を利用した分類手法として,トランスフォーマーベースのマルチモーダルネットワーク(TranSOP)を提案する。 これには3D非造影CT(non-contrast Computed tomography)の特徴と臨床情報を効率的に組み合わせる融合モジュールが含まれる。 単モーダルおよびマルチモーダルデータを用いた比較実験では、最先端のAUCスコアが0.85である。
  論文  参考訳（メタデータ） (2023-01-25T21:05:10Z)

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。