論文の概要: An artificial intelligence framework for end-to-end rare disease phenotyping from clinical notes using large language models

• arxiv url: http://arxiv.org/abs/2602.20324v1
• Date: Mon, 23 Feb 2026 20:20:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-25 17:34:53.514554
• Title: An artificial intelligence framework for end-to-end rare disease phenotyping from clinical notes using large language models
• Title（参考訳）: 大規模言語モデルを用いた臨床ノートからのエンド・ツー・エンドレア疾患表現のための人工知能フレームワーク
• Abstract要約: RARE-PHENIXは、まれな疾患表現のためのエンドツーエンドのAIフレームワークである。 大規模な言語モデルに基づく表現型抽出、ヒトフェノタイプオントロジーの標準化、診断に有用な表現型ランキングの監督などを統合する。 最先端のディープラーニングベースライン(PhenoBERT)をオントロジーに基づく類似性と、エンドツーエンド評価における精度-リコール-F1メトリクスで一貫して上回った。
• 参考スコア（独自算出の注目度）: 19.80670818473776
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Phenotyping is fundamental to rare disease diagnosis, but manual curation of structured phenotypes from clinical notes is labor-intensive and difficult to scale. Existing artificial intelligence approaches typically optimize individual components of phenotyping but do not operationalize the full clinical workflow of extracting features from clinical text, standardizing them to Human Phenotype Ontology (HPO) terms, and prioritizing diagnostically informative HPO terms. We developed RARE-PHENIX, an end-to-end AI framework for rare disease phenotyping that integrates large language model-based phenotype extraction, ontology-grounded standardization to HPO terms, and supervised ranking of diagnostically informative phenotypes. We trained RARE-PHENIX using data from 2,671 patients across 11 Undiagnosed Diseases Network clinical sites, and externally validated it on 16,357 real-world clinical notes from Vanderbilt University Medical Center. Using clinician-curated HPO terms as the gold standard, RARE-PHENIX consistently outperformed a state-of-the-art deep learning baseline (PhenoBERT) across ontology-based similarity and precision-recall-F1 metrics in end-to-end evaluation (i.e., ontology-based similarity of 0.70 vs. 0.58). Ablation analyses demonstrated performance improvements with the addition of each module in RARE-PHENIX (extraction, standardization, and prioritization), supporting the value of modeling the full clinical phenotyping workflow. By modeling phenotyping as a clinically aligned workflow rather than a single extraction task, RARE-PHENIX provides structured, ranked phenotypes that are more concordant with clinician curation and has the potential to support human-in-the-loop rare disease diagnosis in real-world settings.
• Abstract（参考訳）: Phenotypingは稀な疾患診断の基本であるが、臨床ノートから構造化された表現型を手作業でキュレーションすることは、労働集約的で、スケールが困難である。 既存の人工知能アプローチは、通常、表現型の個々のコンポーネントを最適化するが、臨床テキストから特徴を抽出し、それらをHuman Phenotype Ontology(HPO)用語に標準化し、診断的に有益なHPO用語を優先する完全な臨床ワークフローを運用しない。 我々は,大規模な言語モデルに基づく表現型抽出とHPO用語へのオントロジー的標準化を統合し,診断に有用な表現型ランキングを監督する,希少な疾患表現型検索のためのエンドツーエンドAIフレームワークであるRARE-PHENIXを開発した。 当科におけるRARE-PHENIX(RARE-PHENIX)は,11の未診断疾患ネットワーク(undiagnosed Diseases Network)クリニカルサイトから2,671人のデータを用いて訓練し,ヴァンダービルト大学医療センターから16,357件の実際の臨床ノートに外部から検証した。 RARE-PHENIXは、臨床計算されたHPO用語を金の標準として、オントロジーに基づく類似度と高精度リコール-F1メトリクス(オントロジーに基づく類似度0.70対0.58)で、最先端のディープラーニングベースライン(PhenoBERT)を一貫して上回った。 その結果,RARE-PHENIX (Extract, Standardization, Prioritization) における各モジュールの追加による性能改善が得られた。 RARE-PHENIXは、単一の抽出タスクではなく、臨床的に整合したワークフローとして表現型をモデル化することにより、臨床キュレーションとより一致し、現実世界の環境でヒト・イン・ザ・ループのレアな疾患診断をサポートする可能性がある構造化された、ランク付けされた表現型を提供する。

関連論文リスト

• Dementia Etiology Diagnosis via Collaborative Meta Knowledge Enhancement [81.27196033392559]
  認知症発症診断のための協調的メタ知識向上(COME)フレームワークを提案する。 COMEは、マルチセンタ取得セマンティクス、ソース識別子、モダリティインジケータを異種性を認識した埋め込みとして、スケールアップトレーニングのためにTransformerアーキテクチャに注入する。 本手法は,平均マクロ平均AUCが85.62%,最強ベースラインが4.29ポイント向上し,最先端のドメイン性能を実現する。
  論文  参考訳（メタデータ） (2026-07-24T04:26:47Z)
• Automated ICD Classification of Psychiatric Diagnoses: From Classical NLP to Large Language Models [67.51123543731806]
  メンタルヘルスは世界的な優先事項となり、臨床診断のコーディングにおける管理上の負担が大きくなった。 本研究では、自然言語処理(NLP)と機械学習(ML)技術を用いて、フリーテキスト記述を国際疾患分類(ICD)にマッピングすることで、精神医学的診断分析の自動化を提案する。
  論文  参考訳（メタデータ） (2026-05-20T13:26:05Z)
• Specialty-Specific Medical Language Model for Immune-Mediated Diseases [2.339805471804333]
  疾患関連エンティティを識別するために,ドメイン固有の名前付きエンティティ認識モデルを開発した。 2名の臨床専門医と共同で371件の症例報告のデータセットを作成した。 得られたモデルは、ケースレポートを分析するための構造化された方法を提供し、コホート識別、疾患モニタリング、臨床診断支援などの下流タスクをサポートすることができる。
  論文  参考訳（メタデータ） (2026-04-12T13:40:30Z)
• Learning Diagnostic Reasoning for Decision Support in Toxicology [34.623049546258294]
  緊急毒性学への最初の強化学習(Reinforcement Learning, RL)であるDeToxRを提案する。 14種類の物質クラスにまたがる多ラベル予測のためのロバストなデータ融合エンジンを設計する。 臨床成績報酬を直接利用してモデルの推論を最適化する。
  論文  参考訳（メタデータ） (2026-03-31T11:26:45Z)
• Cerebra: A Multidisciplinary AI Board for Multimodal Dementia Characterization and Risk Assessment [56.62016795093786]
  CerebraはインタラクティブなマルチエージェントAIチームで、ERH、臨床ノート、医療画像分析のための特殊エージェントをコーディネートする。 構造化された表現を操作することで、プライバシ保護デプロイメントをサポートし、モダリティが不完全であれば、堅牢である。 Cerebraは、有識者のパフォーマンスを著しく改善し、前向き認知症リスク推定において精度を17.5ポイント向上させた。
  論文  参考訳（メタデータ） (2026-03-23T05:46:45Z)
• Clinical Cognition Alignment for Gastrointestinal Diagnosis with Multimodal LLMs [63.535652574541764]
  MLLM(Multimodal Large Language Models)は医用画像解析において顕著な可能性を示した。 消化器内視鏡におけるそれらの応用は、現在、2つの重要な限界によって妨げられている。 本稿では,これらの課題に対処する新しい臨床認知アライメント(CogAlign)フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-21T07:47:37Z)
• PhenoLIP: Integrating Phenotype Ontology Knowledge into Medical Vision-Language Pretraining [71.60950593762719]
  PhenoLIPは、構造化表現型知識を医療画像理解に組み込む新しい事前学習フレームワークである。 PhenoLIPは、医学画像理解における最先端のアプローチよりも優れている。
  論文  参考訳（メタデータ） (2026-02-05T20:44:07Z)
• A Disease-Centric Vision-Language Foundation Model for Precision Oncology in Kidney Cancer [54.58205672910646]
  RenalCLIPは、腎腫瘤の特徴、診断、予後のための視覚言語基盤モデルである。 腎がんの完全な臨床ワークフローにまたがる10のコアタスクにおいて、優れたパフォーマンスと優れた一般化性を実現した。
  論文  参考訳（メタデータ） (2025-08-22T17:48:19Z)
• Counterfactual Probabilistic Diffusion with Expert Models [44.96279296893773]
  本稿では,不完全な専門家モデルからのガイダンスを取り入れた時系列拡散に基づくフレームワークを提案する。 我々の方法であるODE-Diffは、機械的およびデータ駆動的なアプローチをブリッジし、より信頼性が高く解釈可能な因果推論を可能にする。
  論文  参考訳（メタデータ） (2025-08-18T20:44:32Z)
• Prototype Learning to Create Refined Interpretable Digital Phenotypes from ECGs [0.6488018816675728]
  プロトタイプベースのニューラルネットワークは、トレーニングデータに固定された学習された代表的な信号パターンと入力を比較して解釈可能な予測を提供する。 PTB-XLデータセットを用いた多ラベルECG分類のためのプロトタイプベースディープラーニングモデルを用いる。 分類専用に訓練された個別の試作機がフェーコード形式での退院診断に関連があるかどうかを評価する。
  論文  参考訳（メタデータ） (2025-08-02T23:52:08Z)
• Self-Explaining Hypergraph Neural Networks for Diagnosis Prediction [45.89562183034469]
  既存のディープラーニング診断予測モデルと本質的な解釈性は、過去の診断や病院訪問の度に注意重みを割り当てることが多い。 我々は、パーソナライズされた簡潔で忠実な説明を提供するように設計された、自己説明型ハイパーグラフニューラルネットワークモデルSHyを紹介する。 SHyは高次疾患の相互作用を捉え、パーソナライズされた説明として異なる時間的表現型を抽出する。
  論文  参考訳（メタデータ） (2025-02-15T06:33:02Z)
• Clustering of Disease Trajectories with Explainable Machine Learning: A Case Study on Postoperative Delirium Phenotypes [13.135589459700865]
  本稿では,パーソナライズされたPODリスク予測のための教師付き機械学習と,潜在的POD表現型を明らかにするための教師なしクラスタリング技術を組み合わせたアプローチを提案する。 SHAPの特徴空間におけるクラスタリング患者は,真の表現型を回復し,生の特徴空間におけるクラスタリングに優れることを示した。
  論文  参考訳（メタデータ） (2024-05-06T10:05:46Z)
• An evaluation of GPT models for phenotype concept recognition [0.4715973318447338]
  臨床表現型および表現型アノテーションのためのGPT(Generative Pre-trained Transformer)モデルの性能について検討した。 その結果、適切な設定で、これらのモデルが芸術的パフォーマンスの状態を達成できることが示されている。
  論文  参考訳（メタデータ） (2023-09-29T12:06:55Z)
• TREEMENT: Interpretable Patient-Trial Matching via Personalized Dynamic Tree-Based Memory Network [54.332862955411656]
  臨床試験は薬物開発に不可欠であるが、しばしば高価で非効率な患者募集に苦しむ。 近年,患者と臨床試験を自動マッチングすることで患者採用を高速化する機械学習モデルが提案されている。 本稿では,TREement という名前の動的ツリーベースメモリネットワークモデルを導入する。
  論文  参考訳（メタデータ） (2023-07-19T12:35:09Z)
• sEHR-CE: Language modelling of structured EHR data for efficient and generalizable patient cohort expansion [0.0]
  sEHR-CEは、異種臨床データセットの統合表現型化と分析を可能にするトランスフォーマーに基づく新しいフレームワークである。 大規模研究である英国バイオバンクのプライマリ・セカンダリ・ケアデータを用いてアプローチを検証する。
  論文  参考訳（メタデータ） (2022-11-30T16:00:43Z)
• Cross-Lingual Knowledge Transfer for Clinical Phenotyping [55.92262310716537]
  本稿では,英語を使わないクリニックに対して,このタスクを実行するための言語間知識伝達戦略について検討する。 ギリシャ語とスペイン語のクリニックに対して,異なる臨床領域のクリニカルノートを活用して,これらの戦略を評価する。 以上の結果から,多言語データを用いることで,臨床表現型モデルが改善され,データの疎度を補うことが可能であることが示唆された。
  論文  参考訳（メタデータ） (2022-08-03T08:33:21Z)
• TrialGraph: Machine Intelligence Enabled Insight from Graph Modelling of Clinical Trials [0.0]
  我々はCT.gov, AACT, TrialTroveデータベースから収集した治験データセット(n=1191臨床試験、100万人の患者を代表する)を紹介する。 次に,グラフ機械学習アルゴリズムの数学的基礎と実装について詳述する。 我々はこれらのモデルを用いて、疾患、既往の医療状況、治療に関する情報を与えられた臨床試験の副作用情報を予測する訓練を行った。
  論文  参考訳（メタデータ） (2021-12-15T15:36:57Z)
• A multi-stage machine learning model on diagnosis of esophageal manometry [50.591267188664666]
  このフレームワークには、飲み込みレベルにおけるディープラーニングモデルと、学習レベルにおける機能ベースの機械学習モデルが含まれている。 これは、生のマルチスワローデータからHRM研究のCC診断を自動的に予測する最初の人工知能モデルである。
  論文  参考訳（メタデータ） (2021-06-25T20:09:23Z)

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。