論文の概要: Adversarial Drift-Aware Predictive Transfer: Toward Durable Clinical AI

• arxiv url: http://arxiv.org/abs/2601.11860v2
• Date: Wed, 21 Jan 2026 07:48:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-22 14:57:00.06354
• Title: Adversarial Drift-Aware Predictive Transfer: Toward Durable Clinical AI
• Title（参考訳）: 逆行性ドリフト認識による予測伝達 : 耐久性のある臨床AIに向けて
• Authors: Xin Xiong, Zijian Guo, Haobo Zhu, Chuan Hong, Jordan W Smoller, Tianxi Cai, Molei Liu,
• Abstract要約: Adversarial Drift-Aware Predictive Transfer (ADAPT)は、時間的ドリフトに対する耐久性を最小限の再トレーニングで提案する新しいフレームワークである。 ADAPTは、歴史的ソースモデルと限られた現在のデータを組み合わせることで、確実な将来モデルの集合を構築している。 将来の漂流による劣化に対する堅牢性と現在の精度のバランスをとる。
• 参考スコア（独自算出の注目度）: 13.39751157047995
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Clinical AI systems frequently suffer performance decay post-deployment due to temporal data shifts, such as evolving populations, diagnostic coding updates (e.g., ICD-9 to ICD-10), and systemic shocks like the COVID-19 pandemic. Addressing this ``aging'' effect via frequent retraining is often impractical due to computational costs and privacy constraints. To overcome these hurdles, we introduce Adversarial Drift-Aware Predictive Transfer (ADAPT), a novel framework designed to confer durability against temporal drift with minimal retraining. ADAPT innovatively constructs an uncertainty set of plausible future models by combining historical source models and limited current data. By optimizing worst-case performance over this set, it balances current accuracy with robustness against degradation due to future drifts. Crucially, ADAPT requires only summary-level model estimators from historical periods, preserving data privacy and ensuring operational simplicity. Validated on longitudinal suicide risk prediction using electronic health records from Mass General Brigham (2005--2021) and Duke University Health Systems, ADAPT demonstrated superior stability across coding transitions and pandemic-induced shifts. By minimizing annual performance decay without labeling or retraining future data, ADAPT offers a scalable pathway for sustaining reliable AI in high-stakes healthcare environments.
• Abstract（参考訳）: 臨床AIシステムは、人口の進化、診断コーディングの更新(例:ICD-9からICD-10)、COVID-19パンデミックのようなシステム的ショックなど、時間的データシフトによるパフォーマンス低下をしばしば経験する。 頻繁な再トレーニングを通じてこの‘aging’効果に対処することは、計算コストとプライバシーの制約のため、しばしば現実的ではない。 これらのハードルを克服するために,時間的ドリフトに対する耐久性を最小限に抑える新しいフレームワークであるAdversarial Drift-Aware Predictive Transfer (ADAPT)を導入する。 ADAPTは、歴史的ソースモデルと限られた現在のデータを組み合わせることで、不確実な将来モデルの集合を革新的に構築する。 このセットに対して最悪の性能を最適化することにより、現在の精度と将来のドリフトによる劣化に対する堅牢性をバランスさせる。 重要なことは、ADAPTは過去の要約レベルのモデル推定器のみを必要とし、データのプライバシを保持し、運用上の単純さを保証する。 ブリガム将軍 (2005-2021) とデューク大学健康システム (Duke University Health Systems) の電子健康記録を用いた縦断的自殺リスク予測の検証により, ADAPT はコーディング遷移とパンデミックによる変化に対して優れた安定性を示した。 ADAPTは、ラベル付けや将来のデータの再トレーニングをすることなく、年間パフォーマンスの低下を最小限に抑えることで、高度な医療環境において信頼性の高いAIを維持するためのスケーラブルなパスを提供する。

関連論文リスト

• Fusing Biomechanical and Spatio-Temporal Features for Fall Prediction: Characterizing and Mitigating the Simulation-to-Reality Gap [0.08388591755871733]
  転倒は、高齢者の怪我や独立の喪失の主な原因である。 視覚に基づく落下予測システムは、衝突のほんの数秒前に落下を予測する非侵襲的な解決策を提供する。 本研究では,ポーズ情報と生体力学情報を組み合わせた二重ストリームモデルであるBioST-Temporal Graph Conal Network(BioST-GCN)を提案する。
  論文  参考訳（メタデータ） (2025-11-18T16:13:11Z)
• Parameterized Diffusion Optimization enabled Autoregressive Ordinal Regression for Diabetic Retinopathy Grading [53.11883409422728]
  本研究は, AOR-DRと呼ばれる新しい自己回帰的順序回帰法を提案する。 我々は,糖尿病網膜症分類タスクを,前ステップの予測と抽出画像の特徴を融合させることにより,一連の順序段階に分解する。 拡散過程を利用して条件付き確率モデリングを行い、連続的グローバルな画像特徴を自己回帰に利用できるようにする。
  論文  参考訳（メタデータ） (2025-07-07T13:22:35Z)
• Towards proactive self-adaptive AI for non-stationary environments with dataset shifts [1.1045045527359925]
  本稿では,AIパラメータの時間的・軌跡をモデル化する,プロアクティブな自己適応型AIアプローチを提案する。 この研究は、動的で非定常な環境に対する適応型AI研究の基礎を築いた。
  論文  参考訳（メタデータ） (2025-04-30T12:09:59Z)
• CAAT-EHR: Cross-Attentional Autoregressive Transformer for Multimodal Electronic Health Record Embeddings [0.0]
  本稿では,タスク非依存の縦埋め込みを生のEHRデータから生成する新しいアーキテクチャであるCAAT-EHRを紹介する。 自己回帰デコーダは、事前訓練中に将来の時刻データを予測してエンコーダを補完し、その結果の埋め込みが時間的整合性と整合性を維持する。
  論文  参考訳（メタデータ） (2025-01-31T05:00:02Z)
• Large Continual Instruction Assistant [59.585544987096974]
  CIT(Continuous Instruction Tuning)は、大規模モデルにデータによる人間の意図データに従うよう指示するために用いられる。 既存の更新勾配は、CITプロセス中に前のデータセットのパフォーマンスを著しく損なうことになる。 本稿では,この課題に対処する汎用的な連続的命令チューニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-08T11:24:59Z)
• CEL: A Continual Learning Model for Disease Outbreak Prediction by Leveraging Domain Adaptation via Elastic Weight Consolidation [4.693707128262634]
  本研究では,EWC(Elastic Weight Consolidation)による領域適応を利用した連続学習のための新しいCELモデルを提案する。 CELの堅牢性と信頼性は、既存のベンチマーク研究と比較して65%の忘れ込み率と18%のメモリ安定性で裏付けられている。
  論文  参考訳（メタデータ） (2024-01-17T03:26:04Z)
• New Epochs in AI Supervision: Design and Implementation of an Autonomous Radiology AI Monitoring System [5.50085484902146]
  本稿では,放射線学AI分類モデルの性能を実際に監視するための新しい手法を提案する。 予測分散と時間安定性という2つの指標を提案し、AIのパフォーマンス変化のプリエンプティブアラートに使用する。
  論文  参考訳（メタデータ） (2023-11-24T06:29:04Z)
• Automatic diagnosis of knee osteoarthritis severity using Swin transformer [55.01037422579516]
  変形性膝関節症 (KOA) は膝関節の慢性的な痛みと硬直を引き起こす疾患である。 我々は,Swin Transformer を用いて KOA の重大度を予測する自動手法を提案する。
  論文  参考訳（メタデータ） (2023-07-10T09:49:30Z)
• SurvLatent ODE : A Neural ODE based time-to-event model with competing risks for longitudinal data improves cancer-associated Deep Vein Thrombosis (DVT) prediction [68.8204255655161]
  本稿では,不規則なサンプルデータの下で潜在表現をパラメータ化する生成時間対イベントモデルSurvLatent ODEを提案する。 そこで,本モデルでは,事象特異的ハザード関数の形状を指定せずに,複数の競合イベントの生存時間を柔軟に推定する。 SurvLatent ODEは、DVTリスクグループを成層化するために、現在の臨床標準であるKhorana Riskスコアより優れている。
  論文  参考訳（メタデータ） (2022-04-20T17:28:08Z)
• SANSformers: Self-Supervised Forecasting in Electronic Health Records with Attention-Free Models [48.07469930813923]
  本研究は,医療施設への患者訪問数を予測することにより,医療サービスの需要を予測することを目的とする。 SNSformerは、特定の帰納バイアスを設計し、EHRデータの特異な特徴を考慮に入れた、注意のない逐次モデルである。 本研究は, 各種患者集団を対象とした医療利用予測の修正における, 注意力のないモデルと自己指導型事前訓練の有望な可能性について考察した。
  論文  参考訳（メタデータ） (2021-08-31T08:23:56Z)
• DeepRite: Deep Recurrent Inverse TreatmEnt Weighting for Adjusting Time-varying Confounding in Modern Longitudinal Observational Data [68.29870617697532]
  時系列データにおける時間変化の相違に対するDeep Recurrent Inverse TreatmEnt重み付け(DeepRite)を提案する。 DeepRiteは、合成データから基底的真理を復元し、実際のデータから偏りのない処理効果を推定する。
  論文  参考訳（メタデータ） (2020-10-28T15:05:08Z)

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。