論文の概要: Cerebra: A Multidisciplinary AI Board for Multimodal Dementia Characterization and Risk Assessment

• arxiv url: http://arxiv.org/abs/2603.21597v2
• Date: Tue, 24 Mar 2026 02:51:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-25 12:42:17.606286
• Title: Cerebra: A Multidisciplinary AI Board for Multimodal Dementia Characterization and Risk Assessment
• Title（参考訳）: Cerebra: マルチモーダル認知症の特徴とリスクアセスメントのための多分野AIボード
• Authors: Sheng Liu, Long Chen, Zeyun Zhao, Qinglin Gou, Qingyue Wei, Arjun Masurkar, Kevin M. Spiegler, Philip Kuball, Stefania C. Bray, Megan Bernath, Deanna R. Willis, Jiang Bian, Lei Xing, Eric Topol, Kyunghyun Cho, Yu Huang, Ruogu Fang, Narges Razavian, James Zou,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 56.62016795093786
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Modern clinical practice increasingly depends on reasoning over heterogeneous, evolving, and incomplete patient data. Although recent advances in multimodal foundation models have improved performance on various clinical tasks, most existing models remain static, opaque, and poorly aligned with real-world clinical workflows. We present Cerebra, an interactive multi-agent AI team that coordinates specialized agents for EHR, clinical notes, and medical imaging analysis. These outputs are synthesized into a clinician-facing dashboard that combines visual analytics with a conversational interface, enabling clinicians to interrogate predictions and contextualize risk at the point of care. Cerebra supports privacy-preserving deployment by operating on structured representations and remains robust when modalities are incomplete. We evaluated Cerebra using a massive multi-institutional dataset spanning 3 million patients from four independent healthcare systems. Cerebra consistently outperformed both state-of-the-art single-modality models and large multimodal language model baselines. In dementia risk prediction, it achieved AUROCs up to 0.80, compared with 0.74 for the strongest single-modality model and 0.68 for language model baselines. For dementia diagnosis, it achieved an AUROC of 0.86, and for survival prediction, a C-index of 0.81. In a reader study with experienced physicians, Cerebra significantly improved expert performance, increasing accuracy by 17.5 percentage points in prospective dementia risk estimation. These results demonstrate Cerebra's potential for interpretable, robust decision support in clinical care.
• Abstract（参考訳）: 現代の臨床実践は、不均一、進化、不完全な患者のデータに対する推論にますます依存している。 近年のマルチモーダル基礎モデルの進歩は、様々な臨床タスクのパフォーマンスを改善しているが、既存のモデルの多くは、静的で不透明で、実際の臨床ワークフローと整合性に乏しいままである。 我々は、EHR、臨床ノート、医用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、インタラクティブなマルチエージェントAIチームであるCerebraを紹介する。 これらのアウトプットは、視覚分析と会話インターフェースを組み合わせた、クリニック対応のダッシュボードに合成される。 Cerebraは構造化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。 我々はCerebraを4つの独立した医療システムから300万人の患者にまたがる大規模多施設データセットを用いて評価した。 Cerebraは、最先端の単一モダリティモデルと大規模マルチモーダル言語モデルベースラインの両方を一貫して上回った。 認知症リスク予測では、AUROCを最大0.80、最強の単一モダリティモデル0.74、言語モデルベースライン0.68と達成した。 認知症診断ではAUROCが0.86、生存予測ではCインデックスが0.81であった。 経験豊富な医師を対象にした調査では、セレブラは専門家のパフォーマンスを著しく改善し、将来的な認知症リスク推定において17.5ポイントの精度を向上した。 これらの結果はクリニカルケアにおけるCerebraの解釈可能で堅牢な意思決定支援の可能性を示している。

関連論文リスト

• Emulating Clinician Cognition via Self-Evolving Deep Clinical Research [104.66211772795747]
  このギャップを橋渡しする自己進化型診断剤DxEvolveを,インタラクティブな深層臨床研究ワークフローを通じて開発しました。 MIMIC-CDMベンチマークでは、DxEvolveは平均オーバーボーンモデルで診断精度を11.2%改善した。 DxEvolveは、経験を管理可能な学習資産に変えることによって、臨床AIの継続的な進化のための説明可能な経路をサポートする。
  論文  参考訳（メタデータ） (2026-03-11T11:41:51Z)
• A Multimodal Deep Learning Framework for Predicting ICU Deterioration: Integrating ECG Waveforms with Clinical Data and Clinician Benchmarking [1.2938481923855734]
  MDS ICUは、人口統計、バイオメトリックス、バイタルサイン、実験室の値、心電図波形、外科手術、医療機器の使用など、日常的に収集されるデータを融合し、ICU滞在中に継続的な予測支援を提供する統合機械学習フレームワークである。 我々は,心電図波形の構造化状態空間S4エンコーダと多層パーセプトロンRealMLPエンコーダを組み合わせた深層学習アーキテクチャを訓練し,死亡率,臓器機能障害,治療ニーズ,急性劣化の33例を共同で予測した。 分析の結果、予測されたリスクと観測されたリスクの密接な一致を示し、ECG波形統合による一貫した利得を示した。
  論文  参考訳（メタデータ） (2026-01-10T18:11:12Z)
• A DeepSeek-Powered AI System for Automated Chest Radiograph Interpretation in Clinical Practice [83.11942224668127]
  Janus-Pro-CXR (1B) はDeepSeek Janus-Proモデルに基づく胸部X線解釈システムである。 本システムは, 自動レポート生成において, 最先端のX線レポート生成モデルより優れる。
  論文  参考訳（メタデータ） (2025-12-23T13:26:13Z)
• Click, Predict, Trust: Clinician-in-the-Loop AI Segmentation for Lung Cancer CT-Based Prognosis within the Knowledge-to-Action Framework [0.7340285482623061]
  肺がんは依然としてがん死亡の主な原因であり、CT像はスクリーニング、予後、治療の中心となっている。 ディープラーニング(DL)は自動化を提供するが、臨床導入の障壁に直面している。 本研究は, 診断精度, 臨床信頼度を高めるために, ループ内DLパイプラインを開発した。
  論文  参考訳（メタデータ） (2025-10-19T23:02:43Z)
• Automated and Interpretable Survival Analysis from Multimodal Data [1.1199585259018459]
  本稿では,臨床変数とCT画像の統合による生存分析の自動化を目的とした,解釈可能なマルチモーダルAIフレームワークを提案する。 我々のMultiFIXベースのフレームワークは、Grad-CAMを介して解釈される生存関連機能を深層学習で推測する。 頭頸部癌に対するオープンソースのRADCUREデータセットを用いて、MultiFIXは0.838(予測)と0.826(成層化)のCインデックスを達成する
  論文  参考訳（メタデータ） (2025-09-25T21:13:39Z)
• 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)
• Adaptable Cardiovascular Disease Risk Prediction from Heterogeneous Data using Large Language Models [70.64969663547703]
  AdaCVDは、英国バイオバンクから50万人以上の参加者を対象に、大規模な言語モデルに基づいて構築された適応可能なCVDリスク予測フレームワークである。 包括的かつ可変的な患者情報を柔軟に取り込み、構造化データと非構造化テキストの両方をシームレスに統合し、最小限の追加データを使用して新規患者の集団に迅速に適応する。
  論文  参考訳（メタデータ） (2025-05-30T14:42:02Z)
• PathBench: A comprehensive comparison benchmark for pathology foundation models towards precision oncology [33.51485504161335]
  病理基盤モデル(PFM)の最初の包括的なベンチマークであるPathBenchを紹介する。 我々のフレームワークは大規模データを組み込んで,PFMの客観的比較を可能にする。 当院では10病院で8,549人の患者から15,888件のWSIを収集し,64件以上の診断・予後調査を行った。
  論文  参考訳（メタデータ） (2025-05-26T16:42:22Z)
• Multi-Modal Explainable Medical AI Assistant for Trustworthy Human-AI Collaboration [17.11245701879749]
  Generalist Medical AI (GMAI) システムは、バイオメディカル認知タスクにおいて、専門家レベルのパフォーマンスを実証している。 本稿では,XMedGPTについて紹介する。XMedGPTはクリニック中心のマルチモーダルAIアシスタントで,テキストと視覚の解釈性を統合している。 我々は,マルチモーダル解釈可能性,不確実性定量化,予測モデリング,厳密なベンチマークの4つの柱にまたがってXMedGPTを検証する。
  論文  参考訳（メタデータ） (2025-05-11T08:32:01Z)
• Ensemble model for pre-discharge icd10 coding prediction [45.82374977939355]
  正確なコード予測のための複数の臨床データソースを組み込んだアンサンブルモデルを提案する。 平均精度は0.73および0.58、F1スコアは0.56および0.35、患者および外来データセットの主診断予測では0.71および0.4のマルチラベル分類精度を得る。
  論文  参考訳（メタデータ） (2020-12-16T07:02:56Z)

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。