論文の概要: GraphWalker: Graph-Guided In-Context Learning for Clinical Reasoning on Electronic Health Records

• arxiv url: http://arxiv.org/abs/2604.06684v1
• Date: Wed, 08 Apr 2026 04:59:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-09 17:30:51.344824
• Title: GraphWalker: Graph-Guided In-Context Learning for Clinical Reasoning on Electronic Health Records
• Title（参考訳）: GraphWalker: 電子カルテにおける臨床推論のためのグラフガイド型インコンテキストラーニング
• Authors: Yue Fang, Weibin Liao, Yuxin Guo, Jiaran Gao, Hongxin Ding, Jinyang Zhang, Xinke Jiang, Zhibang Yang, Junfeng Zhao, Yasha Wang, Liantao Ma,
• Abstract要約: GraphWalkerは、EHR指向のインコンテキスト学習のための原則化されたデモ選択フレームワークである。 常に最先端のICLベースラインを上回り、臨床推論性能を大幅に向上させる。
• 参考スコア（独自算出の注目度）: 27.44345549905216
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Clinical Reasoning on Electronic Health Records (EHRs) is a fundamental yet challenging task in modern healthcare. While in-context learning (ICL) offers a promising inference-time adaptation paradigm for large language models (LLMs) in EHR reasoning, existing methods face three fundamental challenges: (1) Perspective Limitation, where data-driven similarity fails to align with LLM reasoning needs and model-driven signals are constrained by limited clinical competence; (2) Cohort Awareness, as demonstrations are selected independently without modeling population-level structure; and (3) Information Aggregation, where redundancy and interaction effects among demonstrations are ignored, leading to diminishing marginal gains. To address these challenges, we propose GraphWalker, a principled demonstration selection framework for EHR-oriented ICL. GraphWalker (i) jointly models patient clinical information and LLM-estimated information gain by integrating data-driven and model-driven perspectives, (ii) incorporates Cohort Discovery to avoid noisy local optima, and (iii) employs a Lazy Greedy Search with Frontier Expansion algorithm to mitigate diminishing marginal returns in information aggregation. Extensive experiments on multiple real-world EHR benchmarks demonstrate that GraphWalker consistently outperforms state-of-the-art ICL baselines, yielding substantial improvements in clinical reasoning performance. Our code is open-sourced at https://github.com/PuppyKnightUniversity/GraphWalker
• Abstract（参考訳）: エレクトロニック・ヘルス・レコード(EHR)の臨床推論は現代医療の基本的な課題である。 インコンテキスト・ラーニング(ICL)は,大規模言語モデル(LLM)に対する有望な推論時適応パラダイムを提供する一方で,既存の手法では,(1)データ駆動型類似性がLLM推論のニーズに合致せず,モデル駆動型信号が限定的な臨床能力で制約されるような視点制限,(2)人口レベルの構造をモデル化することなく,デモンストレーションが独立に選択されるコホート認識,(3)デモ間の冗長性と相互作用が無視され,限界ゲインが減少する情報集約という,3つの基本的な課題に直面している。 これらの課題に対処するために、EHR指向ICLの原則的実証選択フレームワークであるGraphWalkerを提案する。 GraphWalker i)データ駆動とモデル駆動の視点を統合することで、患者臨床情報とLCM推定情報の獲得を共同でモデル化する。 (二)コホート発見を組み込んで、うるさい局地的最適化を回避し、 (iii)情報集約における限界リターンの減少を緩和するために、Lazy Greedy Search with Frontier Expansionアルゴリズムを使用している。 複数の実世界の EHR ベンチマークに関する大規模な実験は、GraphWalker が最先端の ICL ベースラインを一貫して上回り、臨床推論性能が大幅に向上していることを示している。 私たちのコードはhttps://github.com/PuppyKnightUniversity/GraphWalkerでオープンソース化されています。

関連論文リスト

• MIRNet: Integrating Constrained Graph-Based Reasoning with Pre-training for Diagnostic Medical Imaging [67.74482877175797]
  MIRNetは、自己教師付き事前学習と制約付きグラフベースの推論を統合する新しいフレームワークである。 TongueAtlas-4Kは,22の診断ラベルを付した4,000枚の画像からなるベンチマークである。
  論文  参考訳（メタデータ） (2025-11-13T06:30:41Z)
• DANIEL: A Distributed and Scalable Approach for Global Representation Learning with EHR Applications [8.530466871734564]
  確率的クラスタリングモデルは、現代のデータ環境において根本的な課題に直面します。 分散フレームワークを開発し、バイナリデータからスケーラブルでプライバシ表現を学習する。 本アルゴリズムは,多施設電子健康記録(EHR)データセットを用いて評価する。
  論文  参考訳（メタデータ） (2025-11-04T17:35:12Z)
• 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)
• Improving Out-of-distribution Human Activity Recognition via IMU-Video Cross-modal Representation Learning [3.177649348456073]
  ウェアラブル慣性センサーに基づくヒューマンアクティビティ認識(HAR)は,遠隔健康モニタリングにおいて重要な役割を担っている。 我々は,大規模未ラベルIMUビデオデータから表現を学習するための,クロスモーダルな自己教師型事前学習手法を提案する。 以上の結果から,提案手法は現状のIMU-ビデオ事前訓練手法よりも優れていたことが示唆された。
  論文  参考訳（メタデータ） (2025-07-17T18:47:46Z)
• Learning Efficient and Generalizable Graph Retriever for Knowledge-Graph Question Answering [75.12322966980003]
  大規模言語モデル(LLM)は、様々な領域にわたって強い帰納的推論能力を示している。 既存のRAGパイプラインのほとんどは非構造化テキストに依存しており、解釈可能性と構造化推論を制限する。 近年,知識グラフ解答のための知識グラフとLLMの統合について検討している。 KGQAにおける効率的なグラフ検索のための新しいフレームワークであるRAPLを提案する。
  論文  参考訳（メタデータ） (2025-06-11T12:03:52Z)
• DynaGraph: Interpretable Multi-Label Prediction from EHRs via Dynamic Graph Learning and Contrastive Augmentation [5.196633071421455]
  DynaGraphは、エンドツーエンドの解釈可能なコントラストグラフモデルである。 実世界の4つの臨床データセットでモデルを検証した。
  論文  参考訳（メタデータ） (2025-03-28T09:13:30Z)
• AGIR: Assessing 3D Gait Impairment with Reasoning based on LLMs [0.0]
  歩行障害は、神経変性疾患の早期診断、疾患モニタリング、治療評価において重要な役割を果たす。 近年のディープラーニングベースのアプローチは、分類精度を一貫して改善しているが、解釈可能性に欠けることが多い。 本稿では、事前訓練されたVQ-VAEモーショントークンライザと、一対のモーショントークン上で微調整されたLarge Language Model(LLM)からなる新しいパイプラインであるAGIRを紹介する。
  論文  参考訳（メタデータ） (2025-03-23T17:12:16Z)
• Graph Structure Refinement with Energy-based Contrastive Learning [56.957793274727514]
  グラフの構造と表現を学習するための生成訓練と識別訓練のジョイントに基づく教師なし手法を提案する。 本稿では,ECL-GSR(Energy-based Contrastive Learning)によるグラフ構造再構成(GSR)フレームワークを提案する。 ECL-GSRは、主要なベースラインに対するサンプルやメモリの少ない高速なトレーニングを実現し、下流タスクの単純さと効率性を強調している。
  論文  参考訳（メタデータ） (2024-12-20T04:05:09Z)
• On the Importance of Clinical Notes in Multi-modal Learning for EHR Data [0.0]
  電子健康記録データと臨床ノートを併用することにより,患者モニタリングの予測性能が向上することが従来研究で示されている。 EHRデータと臨床ノートを組み合わせることで、最先端のEHRデータモデルよりもパフォーマンスが大幅に向上することを確認した。 次に、臨床医のメモよりも、患者の状態に関するより広い文脈を含むメモのサブセットから、改善がほぼ排他的に生じることを示す分析を行った。
  論文  参考訳（メタデータ） (2022-12-06T15:18:57Z)

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。