論文の概要: Attention-Based Offline Reinforcement Learning and Clustering for Interpretable Sepsis Treatment

• arxiv url: http://arxiv.org/abs/2601.14228v1
• Date: Tue, 20 Jan 2026 18:41:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-21 22:47:23.451926
• Title: Attention-Based Offline Reinforcement Learning and Clustering for Interpretable Sepsis Treatment
• Title（参考訳）: 意味論の解釈のための意図に基づくオフライン強化学習とクラスタリング
• Authors: Punit Kumar, Vaibhav Saran, Divyesh Patel, Nitin Kulkarni, Alina Vereshchaka,
• Abstract要約: クラスタリングに基づく成層モジュールは、ICU入院時に患者を低、中、高リスクグループに分類する。 可変オートエンコーダ(VAE)と拡散モデルを活用する合成データ拡張パイプラインは、流体や血管圧剤などの未表現軌跡を豊かにする。 マルチモーダルな大規模言語モデルを用いた合理生成モジュールは、臨床コンテキストに基づく自然言語の正当化を生成する。
• 参考スコア（独自算出の注目度）: 0.7209528581296429
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Sepsis remains one of the leading causes of mortality in intensive care units, where timely and accurate treatment decisions can significantly impact patient outcomes. In this work, we propose an interpretable decision support framework. Our system integrates four core components: (1) a clustering-based stratification module that categorizes patients into low, intermediate, and high-risk groups upon ICU admission, using clustering with statistical validation; (2) a synthetic data augmentation pipeline leveraging variational autoencoders (VAE) and diffusion models to enrich underrepresented trajectories such as fluid or vasopressor administration; (3) an offline reinforcement learning (RL) agent trained using Advantage Weighted Regression (AWR) with a lightweight attention encoder and supported by an ensemble models for conservative, safety-aware treatment recommendations; and (4) a rationale generation module powered by a multi-modal large language model (LLM), which produces natural-language justifications grounded in clinical context and retrieved expert knowledge. Evaluated on the MIMIC-III and eICU datasets, our approach achieves high treatment accuracy while providing clinicians with interpretable and robust policy recommendations.
• Abstract（参考訳）: セプシスは集中治療単位の死亡原因の1つであり、タイムリーかつ正確な治療決定が患者の結果に重大な影響を及ぼす可能性がある。 本研究では,解釈可能な意思決定支援フレームワークを提案する。 本システムでは,(1)ICUの入院時に患者を低,中,高リスクグループに分類するクラスタリングベースの成層モジュール,(2)変分オートエンコーダ(VAE)と拡散モデルを利用した合成データ拡張パイプラインを用いて,流体や血管圧剤管理などの未表現のトラジェクトリを充実させる,(3)アドバンテージ・ウェイト・レグレッション(AWR)を用いて訓練されたオフライン強化学習(RL)エージェント,(4)保守的,安全に配慮した治療のためのアンサンブルモデルによって支援され,そして(4)マルチモーダル・大規模言語(LLM)をベースとした合層生成モジュール,の4つのコアコンポーネントを統合した。 本手法はMIMIC-IIIおよびeICUデータセットに基づいて評価され,治療精度が向上し,解釈可能かつロバストなポリシーレコメンデーションを臨床医に提供する。

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)
• OncoReason: Structuring Clinical Reasoning in LLMs for Robust and Interpretable Survival Prediction [2.904892426557913]
  大規模言語モデル (LLM) は, バイオメディカルNLPにおいて高い性能を示した。 本稿では,自己回帰型LPMと結果予測のための臨床推論を整合させる,統合型マルチタスク学習フレームワークを提案する。 マルチタスク・クリニカル・モデリングにおける推論・アライメントの重要性について検討した。
  論文  参考訳（メタデータ） (2025-10-20T13:35:12Z)
• CancerGUIDE: Cancer Guideline Understanding via Internal Disagreement Estimation [18.396334867873307]
  NCCN(National Comprehensive Cancer Network)は、がん治療のためのエビデンスベースのガイドラインを提供している。 複雑な患者のプレゼンテーションをガイドラインに準拠した治療レコメンデーションに翻訳することは時間集約的であり、専門的な専門知識を必要とし、エラーを起こしやすい。 非小細胞肺癌患者に対するガイドライン適合治療軌跡を自動生成するためのエージェントベースアプローチを提案する。
  論文  参考訳（メタデータ） (2025-09-09T01:49:29Z)
• MORE-CLEAR: Multimodal Offline Reinforcement learning for Clinical notes Leveraged Enhanced State Representation [2.3363060352988283]
  集中治療室におけるセプシス制御のための拡張stAte表現フレームワークを応用したマルチモーダルオフライン強化学習を提案する。 More-CLEARは、臨床ノートからリッチな意味表現の抽出を容易にするために、事前訓練された大規模言語モデル(LLM)を使用している。 我々の知る限り、医療アプリケーションにおける状態表現を改善するために、マルチモーダルオフラインRL内でLLM機能を利用するのは、これが初めてである。
  論文  参考訳（メタデータ） (2025-08-11T06:58:33Z)
• Uncertainty-Driven Expert Control: Enhancing the Reliability of Medical Vision-Language Models [52.2001050216955]
  既存の方法は、モデル構造を調整したり、高品質なデータで微調整したり、好みの微調整によって、医療ビジョン言語モデル(MedVLM)の性能を向上させることを目的としている。 我々は,MedVLMと臨床専門知識の連携を図るために,Expert-Controlled-Free Guidance (Expert-CFG) という,ループ内のエキスパート・イン・ザ・ループフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-07-12T09:03:30Z)
• Hierarchical Deep Feature Fusion and Ensemble Learning for Enhanced Brain Tumor MRI Classification [3.776159955137874]
  脳磁気共鳴画像(MRI)の包括的前処理とデータ拡張を組み込んだフレームワーク 新規性は二重レベルのアンサンブル戦略(特徴レベルのアンサンブル、分類器レベルのアンサンブル)にある。 2つのパブリックなKaggle MRI脳腫瘍データセットの実験は、このアプローチが最先端の手法を大幅に超えることを示した。
  論文  参考訳（メタデータ） (2025-06-14T05:53:54Z)
• Severity Classification of Chronic Obstructive Pulmonary Disease in Intensive Care Units: A Semi-Supervised Approach Using MIMIC-III Dataset [0.0]
  慢性閉塞性肺疾患(COPD)は、世界的な健康上の重荷となっている。 本研究では, COPD重大度分類のための革新的な機械学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-04-24T09:37:52Z)
• Evaluating the Fairness of the MIMIC-IV Dataset and a Baseline Algorithm: Application to the ICU Length of Stay Prediction [65.268245109828]
  本稿では、MIMIC-IVデータセットを用いて、滞在時間を予測するXGBoostバイナリ分類モデルにおける公平性とバイアスについて検討する。 この研究は、人口統計属性にわたるデータセットのクラス不均衡を明らかにし、データ前処理と特徴抽出を採用する。 この論文は、偏見を緩和するための公正な機械学習技術と、医療専門家とデータサイエンティストの協力的な努力の必要性について結論付けている。
  論文  参考訳（メタデータ） (2023-12-31T16:01:48Z)
• XAI for In-hospital Mortality Prediction via Multimodal ICU Data [57.73357047856416]
  マルチモーダルICUデータを用いて病院内死亡率を予測するための,効率的で説明可能なAIソリューションを提案する。 我々は,臨床データから異種入力を受信し,意思決定を行うマルチモーダル・ラーニングを我々のフレームワークに導入する。 我々の枠組みは、医療研究において重要な要素の発見を容易にする他の臨床課題に容易に移行することができる。
  論文  参考訳（メタデータ） (2023-12-29T14:28:04Z)
• 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)
• Predictive Modeling of ICU Healthcare-Associated Infections from Imbalanced Data. Using Ensembles and a Clustering-Based Undersampling Approach [55.41644538483948]
  本研究は,集中治療室における危険因子の同定と医療関連感染症の予測に焦点をあてる。 感染発生率の低減に向けた意思決定を支援することを目的とする。
  論文  参考訳（メタデータ） (2020-05-07T16:13:12Z)

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。