論文の概要: DT-BEHRT: Disease Trajectory-aware Transformer for Interpretable Patient Representation Learning

• arxiv url: http://arxiv.org/abs/2603.10180v1
• Date: Tue, 10 Mar 2026 19:21:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-12 16:22:32.664719
• Title: DT-BEHRT: Disease Trajectory-aware Transformer for Interpretable Patient Representation Learning
• Title（参考訳）: DT-BEHRT:患者表現学習のための疾患軌跡認識変換器
• Authors: Deyi Li, Zijun Yao, Qi Xu, Muxuan Liang, Lingyao Li, Zijian Xu, Mei Liu,
• Abstract要約: EHR(DT-BEHRT)用疾患軌跡認識変換器 本稿では,臓器内における診断中心の相互作用を明示的にモデル化し,非同期進行パターンを捉えることで,疾患の軌跡を乱すグラフ強化シーケンシャルアーキテクチャを提案する。 複数のベンチマークデータセットの実験では、DT-BEHRTは強い予測性能を示し、臨床医の疾患中心の推論と一致する解釈可能な患者表現を提供する。
• 参考スコア（独自算出の注目度）: 29.777694695551606
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The growing adoption of electronic health record (EHR) systems has provided unprecedented opportunities for predictive modeling to guide clinical decision making. Structured EHRs contain longitudinal observations of patients across hospital visits, where each visit is represented by a set of medical codes. While sequence-based, graph-based, and graph-enhanced sequence approaches have been developed to capture rich code interactions over time or within the same visits, they often overlook the inherent heterogeneous roles of medical codes arising from distinct clinical characteristics and contexts. To this end, in this study we propose the Disease Trajectory-aware Transformer for EHR (DT-BEHRT), a graph-enhanced sequential architecture that disentangles disease trajectories by explicitly modeling diagnosis-centric interactions within organ systems and capturing asynchronous progression patterns. To further enhance the representation robustness, we design a tailored pre-training methodology that combines trajectory-level code masking with ontology-informed ancestor prediction, promoting semantic alignment across multiple modeling modules. Extensive experiments on multiple benchmark datasets demonstrate that DT-BEHRT achieves strong predictive performance and provides interpretable patient representations that align with clinicians' disease-centered reasoning. The source code is publicly accessible at https://github.com/GatorAIM/DT-BEHRT.git.
• Abstract（参考訳）: 電子健康記録(EHR)システムの普及は、臨床意思決定を導くための予測モデリングに前例のない機会を与えてきた。 構造化 EHR には、病院訪問中の患者の経時的観察が含まれており、各訪問は医療基準によって表される。 シーケンスベース、グラフベース、グラフ強化シーケンスアプローチは、時間の経過とともに、または同じ訪問で、リッチなコード相互作用を捉えるために開発されているが、彼らはしばしば、異なる臨床特性とコンテキストから生じる医学的コードの本質的な異種性の役割を見落としている。 そこで本研究では, 臓器内における診断中心の相互作用を明示的にモデル化し, 非同期進行パターンを捉えることで, 疾患の軌跡を歪曲するグラフ強化シーケンシャルアーキテクチャである, EHR (DT-BEHRT) の病的軌跡認識変換器を提案する。 表現のロバスト性をさらに向上するため、軌道レベルのコードマスクとオントロジーインフォームドの祖先予測を組み合わせ、複数のモデリングモジュール間のセマンティックアライメントを促進するための、調整済み事前学習手法を設計する。 複数のベンチマークデータセットに対する大規模な実験は、DT-BEHRTが強い予測性能を達成し、臨床医の疾患中心の推論と一致する解釈可能な患者表現を提供することを示した。 ソースコードはhttps://github.com/GatorAIM/DT-BEHRT.gitで公開されている。

関連論文リスト

• GRAIL: Geometry-Aware Retrieval-Augmented Inference with LLMs over Hyperbolic Representations of Patient Trajectories [7.2159153945746795]
  本研究では,来院者による来院者の臨床イベントの予測を目的とした,来院者の来院状況の予測について検討する。 構造化幾何表現と構造認識検索を用いた縦型EHRをモデル化するフレームワークであるGRAILを提案する。 MIMIC-IVの実験により、GRAILはマルチタイプの次世代予測を一貫して改善し、より階層一貫性のある予測が得られることが示された。
  論文  参考訳（メタデータ） (2026-02-13T11:30:37Z)
• 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)
• Time-Aware Attention for Enhanced Electronic Health Records Modeling [8.4225455796455]
  TALE-EHR は Transformer ベースのフレームワークで,連続的な時間的ギャップを明示的にモデル化する,新たなタイムアウェアアテンション機構を備えている。 本手法は, 疾患進展予測などのタスクにおいて, 最先端のベースラインを上回っている。
  論文  参考訳（メタデータ） (2025-07-20T07:32:41Z)
• Generating Clinically Realistic EHR Data via a Hierarchy- and Semantics-Guided Transformer [0.0]
  生成過程の新たなフレームワークとして階層型・意味型変換器(HiSGT)を提案する。 HiSGTは、親子関係と臨床コード間の兄弟関係をエンコードする階層グラフを構築し、階層認識の埋め込みを導出するためにグラフニューラルネットワークを使用する。 MIMIC-IIIおよびMIMIC-IVデータセットの実験により、HiSGTは実際の患者記録と合成データの統計的アライメントを大幅に改善することが示された。
  論文  参考訳（メタデータ） (2025-02-28T05:06:04Z)
• PMT: Progressive Mean Teacher via Exploring Temporal Consistency for Semi-Supervised Medical Image Segmentation [51.509573838103854]
  医用画像セグメンテーションのための半教師付き学習フレームワークであるプログレッシブ平均教師(PMT)を提案する。 我々のPMTは、トレーニングプロセスにおいて、堅牢で多様な特徴を学習することで、高忠実な擬似ラベルを生成する。 CT と MRI の異なる2つのデータセットに対する実験結果から,本手法が最先端の医用画像分割法より優れていることが示された。
  論文  参考訳（メタデータ） (2024-09-08T15:02:25Z)
• Semantic Decomposition Improves Learning of Large Language Models on EHR Data [0.0]
  H-BERTは、葉だけを摂取するのではなく、階層的な医療コードの完全なグラフツリー拡張を取り込み、患者レベルのラベルを訪問ごとに押し下げる。 この手法は, AUC と APS を集計し,500 以上の診断クラスにおける患者参加率の予測を有意に改善する。
  論文  参考訳（メタデータ） (2022-11-14T14:59:16Z)
• 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)
• Learning Dynamic and Personalized Comorbidity Networks from Event Data using Deep Diffusion Processes [102.02672176520382]
  コンコルビンド病は、個人によって異なる複雑な時間的パターンを通じて発生し進行する。 電子的な健康記録では、患者が持つ異なる疾患を観察できるが、それぞれの共死状態の時間的関係を推測できるだけである。 我々は「ダイナミック・コオービディティ・ネットワーク」をモデル化するための深層拡散プロセスを開発する。
  論文  参考訳（メタデータ） (2020-01-08T15:47:08Z)

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。