論文の概要: Contextual Invertible World Models: A Neuro-Symbolic Agentic Framework for Colorectal Cancer Drug Response
- arxiv url: http://arxiv.org/abs/2603.02274v1
- Date: Sun, 01 Mar 2026 16:15:58 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-04 21:38:10.489824
- Title: Contextual Invertible World Models: A Neuro-Symbolic Agentic Framework for Colorectal Cancer Drug Response
- Title（参考訳）: 文脈的非可逆的世界モデル:大腸癌治療反応のための神経シンボリック・エージェント・フレームワーク
- Authors: Christopher Baker, Karen Rafferty, Hui Wang,
- Abstract要約: 精度オンコロジーは現在、小さなN、大きなPパラドックスによって制限されている。
このギャップを埋めるニューロシンボリックエージェントフレームワークを提案する。
われわれのフレームワークは、癌研究における説明可能なAIへの透明で生物学的に根ざした道を提供する。
- 参考スコア（独自算出の注目度）: 4.796382757669091
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Precision oncology is currently limited by the small-N, large-P paradox, where high-dimensional genomic data is abundant, but high-quality drug response samples are often sparse. While deep learning models achieve high predictive accuracy, they remain black boxes that fail to provide the causal mechanisms required for clinical decision-making. We present a Neuro-Symbolic Agentic Framework that bridges this gap by integrating a quantitative machine learning World Model with an LLM-based agentic reasoning layer. Our system utilises a forensic data pipeline built on the Sanger GDSC dataset (N=83), achieving a robust predictive correlation (r=0.504) and a significant performance gain through the explicit modelling of clinical context, specifically Microsatellite Instability (MSI) status. We introduce the concept of Inverse Reasoning, where the agentic layer performs in silico CRISPR perturbations to predict how specific genomic edits, such as APC or TP53 repair, alter drug sensitivity. By distinguishing between therapeutic opportunity and contextual resistance, and validating these findings against human clinical data (p=0.023), our framework provides a transparent, biologically grounded path towards explainable AI in cancer research.
- Abstract（参考訳）: 現在、精度オンコロジーは、高次元ゲノムデータが豊富にある小さなN、大きなPパラドックスによって制限されているが、高品質な薬物反応サンプルは希薄であることが多い。
深層学習モデルは高い予測精度を達成するが、臨床的な意思決定に必要な因果的メカニズムを提供するのに失敗するブラックボックスは残る。
定量的機械学習ワールドモデルとLLMに基づくエージェント推論層を統合することにより,このギャップを埋めるニューロシンボリックエージェントフレームワークを提案する。
提案システムは,Sanger GDSCデータセット(N=83)上に構築された法医学データパイプラインを利用して,臨床コンテキスト,特にマイクロサテライト不安定(MSI)状態の明示的モデリングを通じて,堅牢な予測相関(r=0.504)を実現する。
Inverse Reasoningの概念を導入し、エージェント層がサイリコCRISPR摂動で実行し、APCやTP53修復などの特定のゲノム編集がどのように薬物感受性を変化させるかを予測する。
治療の機会と文脈抵抗を区別し,ヒトの臨床データ(p=0.023)に対してこれらの知見を検証することにより,我々の枠組みは癌研究における説明可能なAIへの透明性と生物学的基盤を提供する。
関連論文リスト
- A WDLoRA-Based Multimodal Generative Framework for Clinically Guided Corneal Confocal Microscopy Image Synthesis in Diabetic Neuropathy [8.701084151107652]
糖尿病性末梢神経障害(DPN)における角膜共焦点顕微鏡による小線維損傷の評価
強靭で自動的なディープラーニングに基づく診断モデルの開発は、角膜神経形態学におけるラベル付きデータの不足ときめ細かい変化によって制限される。
臨床誘導CCM画像合成のためのWDLoRAに基づくマルチモーダル生成フレームワークを提案する。
論文 参考訳（メタデータ） (2026-02-14T09:32:44Z) - A Semantically Enhanced Generative Foundation Model Improves Pathological Image Synthesis [82.01597026329158]
本稿では,組織合成のための相関調整フレームワーク(CRAFTS)について紹介する。
CRAFTSは、生物学的精度を確保するためにセマンティックドリフトを抑制する新しいアライメント機構を組み込んでいる。
本モデルは,30種類の癌にまたがる多彩な病理像を生成する。
論文 参考訳（メタデータ） (2025-12-15T10:22:43Z) - Interpretable Clinical Classification with Kolgomorov-Arnold Networks [70.72819760172744]
Kolmogorov-Arnold Networks (KAN) は、透明で象徴的な表現を通じて固有の解釈能力を提供する。
Kansは、組み込みの患者レベルの洞察、直感的な可視化、最寄りの患者の検索をサポートする。
これらの結果は、カンを、臨床医が理解し、監査し、行動できる信頼できるAIへの有望なステップと位置づけている。
論文 参考訳（メタデータ） (2025-09-20T17:21:58Z) - Clinically-guided Data Synthesis for Laryngeal Lesion Detection [2.573786844054239]
そこで本研究では,Lyngeal endoscopic image-annotation pairを生成するために,Latent Diffusion Model(LDM)とControlNetアダプタを併用した新しいアプローチを提案する。
提案手法はCADx/eモデルのトレーニングデータセットの拡張に有効であり,喉頭科学における評価プロセスの強化に有効である。
論文 参考訳（メタデータ） (2025-08-08T09:55:54Z) - Mechanistic Interpretability of LoRA-Adapted Language Models for Nuclear Reactor Safety Applications [0.0]
本稿では,大規模言語モデルがどのようにドメイン固有知識を符号化し利用しているかを解釈する新しい手法を提案する。
我々は、Low-Rank Adaptationと呼ばれるパラメータ効率の高い微調整技術を用いて、汎用LDMを核ドメインに適応させた。
基礎モデルのニューロンの活性化パターンと微調整モデルの活性化パターンを比較して,行動が著しく変化したスパースニューロン群を同定した。
論文 参考訳（メタデータ） (2025-07-14T05:17:41Z) - RadFabric: Agentic AI System with Reasoning Capability for Radiology [61.25593938175618]
RadFabricは、総合的なCXR解釈のための視覚的およびテキスト分析を統合するマルチエージェント、マルチモーダル推論フレームワークである。
システムは、病理診断に特殊なCXRエージェント、正確な解剖学的構造に視覚所見をマッピングする解剖学的解釈エージェント、および視覚的、解剖学的、臨床データを透明かつ証拠に基づく診断に合成する大規模なマルチモーダル推論モデルを利用した推論エージェントを使用する。
論文 参考訳（メタデータ） (2025-06-17T03:10:33Z) - AUTOCT: Automating Interpretable Clinical Trial Prediction with LLM Agents [47.640779069547534]
AutoCTは、大規模言語モデルの推論能力と古典的な機械学習の説明可能性を組み合わせた、新しいフレームワークである。
臨床治験予測タスクにおいて, AutoCT は SOTA 法と同等以上の性能を示した。
論文 参考訳（メタデータ） (2025-06-04T11:50:55Z) - GENERator: A Long-Context Generative Genomic Foundation Model [66.46537421135996]
本稿では,98k塩基対 (bp) と1.2Bパラメータからなるゲノム基盤モデル GENERator を提案する。
DNAの386Bbpからなる拡張データセットに基づいて、GENERatorは、確立されたベンチマークと新しく提案されたベンチマークの両方で最先端のパフォーマンスを実証する。
また、特に特定のアクティビティプロファイルを持つエンハンサーシーケンスを即応的に生成することで、シーケンス最適化において大きな可能性を秘めている。
論文 参考訳（メタデータ） (2025-02-11T05:39:49Z) - Interpretable Droplet Digital PCR Assay for Trustworthy Molecular Diagnostics [6.936364565330349]
I2ddPCRは、GPT-4o Multimodal Large Language Model (MLLM)とフロントエンド予測モデル(ドロップレットのセグメンテーションと分類のための)を統合する包括的なフレームワークである。
このアプローチは最先端モデルを超え、信号-雑音比(SNR)の異なる複雑なddPCR画像を99.05%の精度で処理できる。
論文 参考訳（メタデータ） (2025-01-16T00:33:17Z) - Variational and Explanatory Neural Networks for Encoding Cancer Profiles and Predicting Drug Responses [40.80133767939435]
既存のAIモデルは、転写学データのノイズと生物学的解釈性の欠如により、課題に直面している。
ノイズ効果を軽減するために変動成分を組み込んだ新しいニューラルネットワークフレームワークVETEを紹介する。
VETEは、AIによる予測と、がん研究における生物学的に意味のある洞察のギャップを埋める。
論文 参考訳（メタデータ） (2024-07-05T13:13:02Z) - Differentiable Agent-based Epidemiology [71.81552021144589]
GradABM(GradABM)は、エージェントベースのモデリングのためのスケーラブルで微分可能な設計で、勾配に基づく学習と自動微分が可能である。
GradABMは、コモディティハードウェア上で数秒で数百万の人口をシミュレートし、ディープニューラルネットワークと統合し、異種データソースを取り込みます。
論文 参考訳（メタデータ） (2022-07-20T07:32:02Z) - Hemogram Data as a Tool for Decision-making in COVID-19 Management:
Applications to Resource Scarcity Scenarios [62.997667081978825]
新型コロナウイルス(COVID-19)のパンデミックは世界中の緊急対応システムに挑戦している。
本研究は, 症状患者の血液検査データから得られた機械学習モデルについて述べる。
提案されたモデルでは、新型コロナウイルスqRT-PCRの結果を、高い精度、感度、特異性で症状のある個人に予測することができる。
論文 参考訳（メタデータ） (2020-05-10T01:45:03Z)
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。