論文の概要: PLACID: Privacy-preserving Large language models for Acronym Clinical Inference and Disambiguation

• arxiv url: http://arxiv.org/abs/2603.23678v1
• Date: Tue, 24 Mar 2026 19:33:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-26 21:06:11.010202
• Title: PLACID: Privacy-preserving Large language models for Acronym Clinical Inference and Disambiguation
• Title（参考訳）: PLACID: 頭字語臨床推論と曖昧化のためのプライバシー保護型大規模言語モデル
• Authors: Manjushree B. Aithal, Ph. D., Alexander Kotz, James Mitchell, Ph. D,
• Abstract要約: 大規模言語モデル(LLM)は、多くのドメインにわたるトランスフォーメーションソリューションを提供するが、医療の統合は、厳格なデータプライバシの制約によって妨げられる。 本研究は,プライバシ保護を確保するため,デバイス上に展開した小型パラメータモデルの評価を先導するものである。 本稿では、汎用的なローカルモデルを利用して、臨床の頭字語を検出し、コンテキスト関連拡張のためにドメイン固有の生体医学モデルにルーティングするプライバシー保護パイプラインを提案する。
• 参考スコア（独自算出の注目度）: 36.94429692322632
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Large Language Models (LLMs) offer transformative solutions across many domains, but healthcare integration is hindered by strict data privacy constraints. Clinical narratives are dense with ambiguous acronyms, misinterpretation these abbreviations can precipitate severe outcomes like life-threatening medication errors. While cloud-dependent LLMs excel at Acronym Disambiguation, transmitting Protected Health Information to external servers violates privacy frameworks. To bridge this gap, this study pioneers the evaluation of small-parameter models deployed entirely on-device to ensure privacy preservation. We introduce a privacy-preserving cascaded pipeline leveraging general-purpose local models to detect clinical acronyms, routing them to domain-specific biomedical models for context-relevant expansions. Results reveal that while general instruction-following models achieve high detection accuracy (~0.988), their expansion capabilities plummet (~0.655). Our cascaded approach utilizes domain-specific medical models to increase expansion accuracy to (~0.81). This novel work demonstrates that privacy-preserving, on-device (2B-10B) models deliver high-fidelity clinical acronym disambiguation support.
• Abstract（参考訳）: 大規模言語モデル(LLM)は、多くのドメインにわたるトランスフォーメーションソリューションを提供するが、医療の統合は、厳格なデータプライバシの制約によって妨げられる。 臨床物語は曖昧な頭字語と密接な関係にあり、これらの省略形は、生命を脅かす薬物エラーのような深刻な結果を引き起こす可能性がある。 Acronym Disambiguationではクラウド依存のLLMが優れているが、Protected Health Informationを外部サーバに送信することは、プライバシフレームワークに違反している。 このギャップを埋めるため、プライバシ保護を確保するためにデバイス上に展開された小型パラメーターモデルの評価を開拓した。 本稿では、汎用的なローカルモデルを利用して、臨床の頭字語を検出し、コンテキスト関連拡張のためにドメイン固有の生体医学モデルにルーティングするプライバシー保護パイプラインを提案する。 その結果、一般的な命令追従モデルは高い検出精度 (~0.988) を達成するが、拡張能力 (~0.655) は低下することがわかった。 ケースドアプローチでは、ドメイン固有の医療モデルを用いて、(~0.81)への拡張精度を向上する。 この新たな研究は、プライバシ保護オンデバイス(2B-10B)モデルが高忠実性臨床頭字語曖昧化サポートを提供することを示す。

関連論文リスト

• Enhancing Lung Cancer Treatment Outcome Prediction through Semantic Feature Engineering Using Large Language Models [5.778370321351782]
  GKC(Goal-oriented Knowledge Curators)として,LLM(Large Language Models)を用いたフレームワークを導入する。 GKCは、実験室、ゲノム、薬品のデータを高忠実でタスク整合性のある特徴に変換する。 我々はGKCを専門家が設計した機能、直接テキスト埋め込み、エンドツーエンドのトランスフォーマーと比較した。
  論文  参考訳（メタデータ） (2025-12-01T23:56:45Z)
• Decoupling Clinical and Class-Agnostic Features for Reliable Few-Shot Adaptation under Shift [12.373281238541296]
  医療ビジョン言語モデル(VLM)は、臨床診断支援を約束するが、分布シフトによる信頼性は、安全なデプロイメントにとって大きな関心事である。 そこで我々はDRiFtを提案する。DRiFtは機能分離フレームワークで、臨床的に関連する信号をタスク非依存のノイズから明確に分離する。 提案手法は,従来のプロンプトベースの手法に比べて,Top-1精度+11.4%,Macro-F1+3.3%向上する。
  論文  参考訳（メタデータ） (2025-09-11T12:26:57Z)
• On the MIA Vulnerability Gap Between Private GANs and Diffusion Models [51.53790101362898]
  GAN(Generative Adversarial Networks)と拡散モデルが高品質な画像合成のための主要なアプローチとして登場している。 差分自己生成モデルが直面するプライバシーリスクの統一的および実証的分析について述べる。
  論文  参考訳（メタデータ） (2025-09-03T14:18:22Z)
• Causal-SAM-LLM: Large Language Models as Causal Reasoners for Robust Medical Segmentation [4.286815457787583]
  Causal-SAM-LLMはLarge Language Models(LLM)を因果推論の役割に高める新しいフレームワークである。 第一に、Linguistic Adrial Disentanglement (LAD)は視覚言語モデルを用いて、融合した画像スタイルのリッチでテキストによる記述を生成する。 第2に、Test-Time Causal Intervention (TCI)は、LLMが臨床者の自然言語コマンドを解釈し、セグメント化デコーダの特徴をリアルタイムで変調する対話的なメカニズムを提供する。
  論文  参考訳（メタデータ） (2025-07-04T13:52:16Z)
• LLMs-in-the-Loop Part 2: Expert Small AI Models for Anonymization and De-identification of PHI Across Multiple Languages [0.0]
  本稿では、LLM-in-the-loop法を用いて開発された専門的な小型AIモデルを紹介し、ドメイン固有非識別NERモデルの需要を満たす。 NERモデルは8言語で開発され、それぞれ0.966, 0.975, 0.976, 0.970, 0.964, 0.974, 0.978, 0.953のf1-microスコア平均を達成した。
  論文  参考訳（メタデータ） (2024-12-14T18:10:29Z)
• PrivacyMind: Large Language Models Can Be Contextual Privacy Protection Learners [81.571305826793]
  コンテキストプライバシ保護言語モデル(PrivacyMind)を紹介する。 我々の研究はモデル設計に関する理論的分析を提供し、様々な手法をベンチマークする。 特に、肯定的な例と否定的な例の両方による命令チューニングは、有望な方法である。
  論文  参考訳（メタデータ） (2023-10-03T22:37:01Z)
• Private, fair and accurate: Training large-scale, privacy-preserving AI models in medical imaging [47.99192239793597]
  我々は,AIモデルのプライバシ保護トレーニングが,非プライベートトレーニングと比較して精度と公平性に与える影響を評価した。 我々の研究は、実際の臨床データセットの困難な現実的な状況下では、診断深層学習モデルのプライバシー保護トレーニングは、優れた診断精度と公正さで可能であることを示しています。
  論文  参考訳（メタデータ） (2023-02-03T09:49:13Z)
• Just Fine-tune Twice: Selective Differential Privacy for Large Language Models [69.66654761324702]
  本稿では,大規模なトランスフォーマーベース言語モデルのためのSDPを実現するための,シンプルで効果的なジャストファイントゥンツースプライバシ機構を提案する。 実験により, カナリア挿入攻撃に対して頑健でありながら, 高い性能が得られた。
  論文  参考訳（メタデータ） (2022-04-15T22:36:55Z)

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。