論文の概要: Exploring Accurate and Transparent Domain Adaptation in Predictive Healthcare via Concept-Grounded Orthogonal Inference

• arxiv url: http://arxiv.org/abs/2602.12542v1
• Date: Fri, 13 Feb 2026 02:46:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-16 23:37:53.819984
• Title: Exploring Accurate and Transparent Domain Adaptation in Predictive Healthcare via Concept-Grounded Orthogonal Inference
• Title（参考訳）: 概念包括直交推論による予測医療における高精度かつ透明なドメイン適応の探索
• Authors: Pengfei Hu, Chang Lu, Feifan Liu, Yue Ning,
• Abstract要約: ExtraCareは患者表現を不変成分と共変成分に分解する。 細かな潜伏次元を医療概念にマッピングすることで、人間の理解に足る説明を提供する。 ExtraCareは、複数のドメインパーティション設定にわたる2つの現実世界のEHRデータセットで評価される。
• 参考スコア（独自算出の注目度）: 7.191139788777488
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep learning models for clinical event prediction on electronic health records (EHR) often suffer performance degradation when deployed under different data distributions. While domain adaptation (DA) methods can mitigate such shifts, its "black-box" nature prevents widespread adoption in clinical practice where transparency is essential for trust and safety. We propose ExtraCare to decompose patient representations into invariant and covariant components. By supervising these two components and enforcing their orthogonality during training, our model preserves label information while exposing domain-specific variation at the same time for more accurate predictions than most feature alignment models. More importantly, it offers human-understandable explanations by mapping sparse latent dimensions to medical concepts and quantifying their contributions via targeted ablations. ExtraCare is evaluated on two real-world EHR datasets across multiple domain partition settings, demonstrating superior performance along with enhanced transparency, as evidenced by its accurate predictions and explanations from extensive case studies.
• Abstract（参考訳）: 電子健康記録(EHR)における臨床イベント予測のための深層学習モデルは、異なるデータ分布下に配置された場合、しばしば性能劣化に悩まされる。 ドメイン適応(DA)法はそのような変化を緩和することができるが、その「ブラックボックス」の性質は、信頼と安全性に透明性が不可欠である臨床実践において、広く採用されるのを妨げている。 患者表現を不変成分と共変成分に分解するためのExtraCareを提案する。 これらの2つのコンポーネントを監督し、トレーニング中にそれらの直交性を強制することにより、我々のモデルは、ほとんどの特徴アライメントモデルよりも正確な予測のために、ドメイン固有の変動を同時に露呈しながらラベル情報を保存する。 さらに重要なのは、細かな潜伏次元を医学的概念にマッピングし、目標とするアブレーションを通じて貢献を定量化することで、人間に理解可能な説明を提供することだ。 ExtraCareは、複数のドメインパーティション設定にわたる2つの実世界のEHRデータセットで評価されており、広範囲なケーススタディの正確な予測と説明によって証明されたように、透明性の向上とともに優れたパフォーマンスを示す。

関連論文リスト

• Adversarial Hospital-Invariant Feature Learning for WSI Patch Classification [1.3955246652599635]
  本研究は,病原体モデル(PFM)における病原体の特徴から生じる領域バイアスに関する最初の体系的研究である。 本稿では,エンコーダ自体を変更することなく,凍った表現から潜伏する病院特有の特徴を除去する軽量な対向フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-08-20T15:25:16Z)
• Towards Clinician-Preferred Segmentation: Leveraging Human-in-the-Loop for Test Time Adaptation in Medical Image Segmentation [10.65123164779962]
  深層学習に基づく医療画像セグメンテーションモデルは、様々な医療センターに展開すると、しばしば性能劣化に直面します。 本稿では,クリニカル修正予測のほとんど見落とされがちな可能性を生かした,新規なHuman-in-the-loop TTAフレームワークを提案する。 我々のフレームワークは、ドメインの格差によって生じる予測のばらつきを減らし、分散損失を想定する。
  論文  参考訳（メタデータ） (2024-05-14T02:02:15Z)
• What Matters When Repurposing Diffusion Models for General Dense Perception Tasks? [49.84679952948808]
  最近の研究は、高密度知覚タスクのためのT2I拡散モデルを簡単に調整することで有望な結果を示す。 拡散前処理における伝達効率と性能に影響を及ぼす重要な要因を徹底的に検討する。 我々の研究は、濃密な視覚認知タスクに特化した効果的な決定論的ワンステップ微調整パラダイムであるGenPerceptの開発において頂点に達した。
  論文  参考訳（メタデータ） (2024-03-10T04:23:24Z)
• MPRE: Multi-perspective Patient Representation Extractor for Disease Prediction [3.914545513460964]
  疾患予測のための多視点患者表現エクストラクタ(MPRE)を提案する。 具体的には、動的特徴の傾向と変動情報を抽出する周波数変換モジュール(FTM)を提案する。 2D Multi-Extraction Network (2D MEN) において、傾向と変動に基づいて2次元時間テンソルを形成する。 また,FODAM(First-Order difference Attention Mechanism)も提案する。
  論文  参考訳（メタデータ） (2024-01-01T13:52:05Z)
• DARE: Towards Robust Text Explanations in Biomedical and Healthcare Applications [54.93807822347193]
  帰属ロバスト性評価手法を与えられたドメインに適応させ、ドメイン固有の妥当性を考慮する方法を示す。 次に,DAREが特徴とする脆さを軽減するために,対人訓練とFAR訓練の2つの方法を提案する。 最後に,確立した3つのバイオメディカル・ベンチマークを用いて実験を行い,本手法を実証的に検証した。
  論文  参考訳（メタデータ） (2023-07-05T08:11:40Z)
• Rethinking Semi-Supervised Medical Image Segmentation: A Variance-Reduction Perspective [51.70661197256033]
  医用画像セグメンテーションのための階層化グループ理論を用いた半教師付きコントラスト学習フレームワークARCOを提案する。 まず、分散還元推定の概念を用いてARCOを構築することを提案し、特定の分散還元技術が画素/ボクセルレベルのセグメンテーションタスクにおいて特に有用であることを示す。 5つの2D/3D医療データセットと3つのセマンティックセグメンテーションデータセットのラベル設定が異なる8つのベンチマークで、我々のアプローチを実験的に検証する。
  論文  参考訳（メタデータ） (2023-02-03T13:50:25Z)
• Prior Knowledge-Guided Attention in Self-Supervised Vision Transformers [79.60022233109397]
  本研究では、未ラベル画像データセットにおける一貫した空間的・意味的構造を利用するフレームワークである空間的事前注意(SPAN)を提案する。 SPANは、アテンションマスクを別個のトランスフォーマーヘッドから正規化し、セマンティック領域の様々な先導に従う。 その結果,アテンションマスクは,ドメインに依存しない事前学習から得られるマスクよりも解釈可能であることが判明した。
  論文  参考訳（メタデータ） (2022-09-07T02:30:36Z)
• Robust and Efficient Segmentation of Cross-domain Medical Images [37.38861543166964]
  医用画像の堅牢かつ効率的なセグメンテーションのための一般化可能な知識蒸留法を提案する。 本稿では,2つの一般化可能な知識蒸留方式,Dual Contrastive Graph Distillation (DCGD)とDomain-Invariant Cross Distillation (DICD)を提案する。 DICDでは、2つのモデル(例えば教師と学生)のドメイン不変セマンティックベクターをMSANのヘッダー交換によってクロスコンストラクト特徴に活用する。
  論文  参考訳（メタデータ） (2022-07-26T15:55:36Z)
• BiteNet: Bidirectional Temporal Encoder Network to Predict Medical Outcomes [53.163089893876645]
  本稿では,患者の医療旅行におけるコンテキスト依存と時間的関係を捉える,新たな自己注意機構を提案する。 エンド・ツー・エンドの双方向時間エンコーダネットワーク(BiteNet)が患者の旅路の表現を学習する。 実世界のEHRデータセットを用いた2つの教師付き予測と2つの教師なしクラスタリングタスクにおける手法の有効性を評価した。
  論文  参考訳（メタデータ） (2020-09-24T00:42:36Z)
• Deep Transparent Prediction through Latent Representation Analysis [0.0]
  本稿では,訓練されたディープニューラルネットワーク(DNN)から潜時情報を抽出し,予測目的のために効果的で統一された方法で解析された簡潔な表現を導出する,新しいディープラーニング手法を提案する。 透明性と高い予測精度を組み合わせることが、提案手法の目標である。
  論文  参考訳（メタデータ） (2020-09-13T19:21:40Z)

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。