論文の概要: DoAtlas-1: A Causal Compilation Paradigm for Clinical AI

• arxiv url: http://arxiv.org/abs/2602.19158v1
• Date: Sun, 22 Feb 2026 12:40:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-24 17:42:02.508985
• Title: DoAtlas-1: A Causal Compilation Paradigm for Clinical AI
• Title（参考訳）: DoAtlas-1: 臨床AIのための因果コンパイルパラダイム
• Authors: Yulong Li, Jianxu Chen, Xiwei Liu, Chuanyue Suo, Rong Xia, Zhixiang Lu, Yichen Li, Xinlin Zhuang, Niranjana Arun Menon, Yutong Xie, Eran Segal, Imran Razzak,
• Abstract要約: 本稿では,医学的証拠を物語テキストから実行可能なコードに変換するパラダイムである因果コンパイルを提案する。 我々はこのパラダイムをDoAtlas-1でインスタンス化し、754の研究から1,445のエフェクトカーネルをコンパイルする。 このシステムは98.5%の正準化精度と80.5%のクエリ実行性を達成する。
• 参考スコア（独自算出の注目度）: 22.35342248894916
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Medical foundation models generate narrative explanations but cannot quantify intervention effects, detect evidence conflicts, or validate literature claims, limiting clinical auditability. We propose causal compilation, a paradigm that transforms medical evidence from narrative text into executable code. The paradigm standardizes heterogeneous research evidence into structured estimand objects, each explicitly specifying intervention contrast, effect scale, time horizon, and target population, supporting six executable causal queries: do-calculus, counterfactual reasoning, temporal trajectories, heterogeneous effects, mechanistic decomposition, and joint interventions. We instantiate this paradigm in DoAtlas-1, compiling 1,445 effect kernels from 754 studies through effect standardization, conflict-aware graph construction, and real-world validation (Human Phenotype Project, 10,000 participants). The system achieves 98.5% canonicalization accuracy and 80.5% query executability. This paradigm shifts medical AI from text generation to executable, auditable, and verifiable causal reasoning.
• Abstract（参考訳）: 医療基盤モデルは、物語の説明を生成するが、介入効果の定量化、証拠の衝突の検出、文献の主張の検証、臨床監査可能性の制限はできない。 本稿では,医学的証拠を物語テキストから実行可能なコードに変換するパラダイムである因果コンパイルを提案する。 このパラダイムはヘテロジニアスな研究証拠を構造化された推定対象に標準化し、それぞれが介入のコントラスト、効果尺度、時間的地平線、ターゲット人口を明確に指定し、6つの実行可能な因果関係(do-calculus)、反実的推論、時間的軌跡、不均一効果、機械的分解、共同介入)をサポートする。 我々はこのパラダイムをDoAtlas-1でインスタンス化し、754の研究からエフェクト標準化、コンフリクト対応グラフ構築、実世界の検証(Human Phenotype Project, 10,000)を通じて1,445のエフェクトカーネルをコンパイルする。 このシステムは98.5%の正準化精度と80.5%のクエリ実行性を達成する。 このパラダイムは、医療AIをテキスト生成から実行可能、監査可能、検証可能な因果推論へとシフトさせる。

関連論文リスト

• CausalT5K: Diagnosing and Informing Refusal for Trustworthy Causal Reasoning of Skepticism, Sycophancy, Detection-Correction, and Rung Collapse [1.4608214000864057]
  CausalT5Kは10ドメインにわたる5000以上のケースの診断ベンチマークである。 合成ベンチマークとは異なり、CausalT5Kはリアルな物語に因果トラップを埋め込んでいる。 予備的な実験では、静的監査ポリシーが普遍的に失敗する4段階のコントロールランドスケープが示される。
  論文  参考訳（メタデータ） (2026-02-09T17:36:56Z)
• Causal-Enhanced AI Agents for Medical Research Screening [0.0]
  体系的なレビューはエビデンスベースの医療には不可欠だが、150万以上の年次出版物を手作業でレビューすることは不可能である。 本稿では,因果推論と二段階知識グラフを組み合わせた因果グラフ強化検索生成システムを提案する。 提案手法では,すべての因果クレームが検索された文献に辿り着くエビデンスファーストプロトコルを適用し,介入-アウトカム経路を可視化する有向非巡回グラフを自動的に生成する。
  論文  参考訳（メタデータ） (2026-01-06T08:41:16Z)
• Canonical Representations of Markovian Structural Causal Models: A Framework for Counterfactual Reasoning [0.7106986689736826]
  「偽りの理性は、アリスがアスピリンを飲んだら回復しただろうか?」 本稿では,ある因果グラフモデルに適合する反ファクトを表現するために,構造因果モデルに対する代替手法を提案する。 本稿では,(通常テスト可能な)介入制約から(任意かつ不可能な)カウンターファクト選択を解き放つ正規化手順を提案する。
  論文  参考訳（メタデータ） (2025-07-22T09:13:02Z)
• Gumbel Counterfactual Generation From Language Models [64.55296662926919]
  対実的推論が介入と概念的に異なることを示す。 そこで本研究では,真の文字列反事実を生成するためのフレームワークを提案する。 提案手法は,従来の介入手法が望ましくない副作用を有意に生み出しているのに対し,本手法は有意義な反事実を生じさせることを示す。
  論文  参考訳（メタデータ） (2024-11-11T17:57:30Z)
• Causal Micro-Narratives [62.47217054314046]
  テキストから因果マイクロナラティブを分類する新しい手法を提案する。 これらの物語は、対象対象の因果関係と/または効果の文レベルの説明である。
  論文  参考訳（メタデータ） (2024-10-07T17:55:10Z)
• Identifying biological perturbation targets through causal differential networks [23.568795598997376]
  本稿では,生物学的システムの変更に責任を持つ変数を同定する因果性に着想を得たアプローチを提案する。 まず、観測データと干渉データからノイズの多い因果グラフを推定する。 次に、これらのグラフ間の差分を、追加の統計的特徴とともに、介入された変数の集合にマッピングすることを学ぶ。
  論文  参考訳（メタデータ） (2024-10-04T12:48:21Z)
• Causal Discovery and Prediction: Methods and Algorithms [0.0]
  本論文では、各介入の一般的なa-priori評価について紹介する。 任意の因果モデルにおける因果関係を同定する能動学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-09-18T01:19:37Z)
• A Causal Framework for Decomposing Spurious Variations [68.12191782657437]
  我々はマルコフモデルとセミマルコフモデルの急激な変分を分解するツールを開発する。 突発効果の非パラメトリック分解を可能にする最初の結果を証明する。 説明可能なAIや公平なAIから、疫学や医学における疑問まで、いくつかの応用がある。
  論文  参考訳（メタデータ） (2023-06-08T09:40:28Z)
• BaCaDI: Bayesian Causal Discovery with Unknown Interventions [118.93754590721173]
  BaCaDIは因果構造と介入の両方の潜在確率的表現の連続的な空間で機能する。 BaCaDIは、合成因果発見タスクとシミュレートされた遺伝子発現データの実験において、因果構造と介入ターゲットを識別する関連手法より優れている。
  論文  参考訳（メタデータ） (2022-06-03T16:25:48Z)
• Systematic Evaluation of Causal Discovery in Visual Model Based Reinforcement Learning [76.00395335702572]
  AIと因果関係の中心的な目標は、抽象表現と因果構造を共同で発見することである。 因果誘導を研究するための既存の環境は、複雑なタスク固有の因果グラフを持つため、この目的には適していない。 本研究の目的は,高次変数の学習表現と因果構造の研究を促進することである。
  論文  参考訳（メタデータ） (2021-07-02T05:44:56Z)

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。