論文の概要: A Causal Framework for Mitigating Data Shifts in Healthcare

• arxiv url: http://arxiv.org/abs/2603.13595v1
• Date: Fri, 13 Mar 2026 21:10:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-17 16:19:35.290638
• Title: A Causal Framework for Mitigating Data Shifts in Healthcare
• Title（参考訳）: 医療におけるデータシフトの緩和のための因果的枠組み
• Authors: Kurt Butler, Stephanie Riley, Damian Machlanski, Edward Moroshko, Panagiotis Dimitrakopoulos, Thomas Melistas, Akchunya Chanchal, Konstantinos Vilouras, Zhihua Liu, Steven McDonagh, Hana Chockler, Ben Glocker, Niccolo Tempini, Matthew Sperrin, Sotirios A Tsaftaris, Ricardo Silva,
• Abstract要約: Causalityは、多様なドメインシフトを特徴づけ、理解するための強力な言語を提供する。 これにより、モデルが一般化に失敗する理由を特定でき、シフトの準備と適応のためのより原則化された戦略がもたらされます。 我々の因果関係に基づく視点は、医療における堅牢で解釈可能な、臨床的に関連するAIソリューションを開発するための重要な基盤を提供する。
• 参考スコア（独自算出の注目度）: 21.98472690035651
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Developing predictive models that perform reliably across diverse patient populations and heterogeneous environments is a core aim of medical research. However, generalization is only possible if the learned model is robust to statistical differences between data used for training and data seen at the time and place of deployment. Domain generalization methods provide strategies to address data shifts, but each method comes with its own set of assumptions and trade-offs. To apply these methods in healthcare, we must understand how domain shifts arise, what assumptions we prefer to make, and what our design constraints are. This article proposes a causal framework for the design of predictive models to improve generalization. Causality provides a powerful language to characterize and understand diverse domain shifts, regardless of data modality. This allows us to pinpoint why models fail to generalize, leading to more principled strategies to prepare for and adapt to shifts. We recommend general mitigation strategies, discussing trade-offs and highlighting existing work. Our causality-based perspective offers a critical foundation for developing robust, interpretable, and clinically relevant AI solutions in healthcare, paving the way for reliable real-world deployment.
• Abstract（参考訳）: 多様な患者集団や異種環境に対して確実に機能する予測モデルを開発することは、医学研究の中核的な目的である。 しかし、学習モデルがトレーニングに使用されるデータと、その時点で見られるデータとの統計的差異に頑健であれば、一般化は可能である。 ドメイン一般化手法はデータシフトに対処するための戦略を提供するが、それぞれの手法には独自の仮定とトレードオフが伴う。 これらの手法をヘルスケアに適用するには、ドメインシフトの発生方法、望ましい前提、設計上の制約が何であるかを理解する必要があります。 本稿では、一般化を改善するための予測モデル設計のための因果的枠組みを提案する。 因果性(Causality)は、データモダリティに関係なく、さまざまなドメインシフトを特徴付け、理解するための強力な言語を提供する。 これにより、モデルが一般化に失敗する理由を特定でき、シフトの準備と適応のためのより原則化された戦略がもたらされます。 一般的な緩和戦略、トレードオフの議論、既存の作業の強調を推奨します。 我々の因果関係に基づく視点は、医療における堅牢で解釈可能な、臨床的に関連するAIソリューションを開発するための重要な基盤を提供する。

関連論文リスト

• Integrating Genomics into Multimodal EHR Foundation Models [56.31910745104141]
  本稿では,ポリジェニックリスクスコア(PRS)を基本データモダリティとして統合した,革新的なEHR基盤モデルを提案する。 このフレームワークは、臨床データと遺伝子前置詞の複雑な関係を学習することを目的としている。 このアプローチは、病気の予測、積極的な健康管理、リスク階層化、パーソナライズされた治療戦略に対する新たな洞察を解放するために重要である。
  論文  参考訳（メタデータ） (2025-10-24T15:56:40Z)
• CLEAR: Causal Learning Framework For Robust Histopathology Tumor Detection Under Out-Of-Distribution Shifts [2.0327514588332996]
  病理学におけるドメインシフトは、ディープラーニングモデルの一般化能力に大きな課題をもたらす。 本稿では,共同創設者の影響を緩和しつつ,意味的特徴を活用した因果推論に基づく新しいフレームワークを提案する。 我々はCAMELYON17データセットとプライベートな病理組織学データセットを用いて本手法の有効性を検証し,未確認領域における一貫した性能向上を実証した。
  論文  参考訳（メタデータ） (2025-10-16T03:45:31Z)
• Preference Learning for AI Alignment: a Causal Perspective [55.2480439325792]
  私たちはこの問題を因果パラダイムに枠組み化し、永続的な課題を特定するための因果関係の豊富なツールボックスを提供します。 因果推論の文献を継承し、信頼性の高い一般化に必要な重要な仮定を特定する。 そこで本研究では, 因果関係に基づくアプローチがモデルロバスト性をいかに改善するかを, ナイーブ報酬モデルの障害モードを例示する。
  論文  参考訳（メタデータ） (2025-06-06T10:45:42Z)
• Bridging the Generalisation Gap: Synthetic Data Generation for Multi-Site Clinical Model Validation [0.3362278589492841]
  既存のモデル評価アプローチは、可用性に制限のある実世界のデータセットに頼っていることが多い。 本稿では, ベンチマークモデル, 公正性, 一般化性の制御されたロバスト性を考慮した, 構造化された合成データフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-04-29T11:04:28Z)
• Addressing Data Heterogeneity in Federated Learning of Cox Proportional Hazards Models [8.798959872821962]
  本稿では,フェデレーションサバイバル分析の分野,特にCox Proportional Hazards(CoxPH)モデルについて概説する。 本稿では,合成データセットと実世界のアプリケーション間のモデル精度を向上させるために,特徴ベースのクラスタリングを用いたFLアプローチを提案する。
  論文  参考訳（メタデータ） (2024-07-20T18:34:20Z)
• GCISG: Guided Causal Invariant Learning for Improved Syn-to-real Generalization [1.2215956380648065]
  人工的に生成されたデータを用いたディープラーニングモデルのトレーニングは、トレーニングデータが不足している場合の代替となる可能性がある。 本稿では,データ生成のための因果的枠組みを用いて,領域ギャップを特徴付ける。 そこで本研究では,構文から現実への一般化を促進するスタイル不変表現の学習をモデルに促す因果不変学習を提案する。
  論文  参考訳（メタデータ） (2022-08-22T02:39:05Z)
• Augmentation based unsupervised domain adaptation [2.304713283039168]
  小さく非表現的なデータに基づいてトレーニングされたディープラーニングモデルは、トレーニングに使用されるものと異なるデータにデプロイされた場合、パフォーマンスが向上する傾向があります。 本手法は, 対向領域適応と整合性トレーニングの特性を利用して, より堅牢な適応を実現する。
  論文  参考訳（メタデータ） (2022-02-23T13:06:07Z)
• Deep Co-Attention Network for Multi-View Subspace Learning [73.3450258002607]
  マルチビューサブスペース学習のための深層コアテンションネットワークを提案する。 共通情報と相補情報の両方を敵意で抽出することを目的としている。 特に、新しいクロス再構成損失を使用し、ラベル情報を利用して潜在表現の構築を誘導する。
  論文  参考訳（メタデータ） (2021-02-15T18:46:44Z)
• Adversarial Sample Enhanced Domain Adaptation: A Case Study on Predictive Modeling with Electronic Health Records [57.75125067744978]
  ドメイン適応を容易にするデータ拡張手法を提案する。 逆生成したサンプルはドメイン適応時に使用される。 その結果,本手法の有効性とタスクの一般性が確認された。
  論文  参考訳（メタデータ） (2021-01-13T03:20:20Z)
• An Optimal Control Approach to Learning in SIDARTHE Epidemic model [67.22168759751541]
  本研究では,疫病データから動的コンパートメンタルモデルの時間変化パラメータを学習するための一般的な手法を提案する。 我々はイタリアとフランスの疫病の進化を予報する。
  論文  参考訳（メタデータ） (2020-10-28T10:58:59Z)

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。