論文の概要: OC-Distill: Ontology-aware Contrastive Learning with Cross-Modal Distillation for ICU Risk Prediction

• arxiv url: http://arxiv.org/abs/2604.16878v1
• Date: Sat, 18 Apr 2026 07:01:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-21 21:52:52.211283
• Title: OC-Distill: Ontology-aware Contrastive Learning with Cross-Modal Distillation for ICU Risk Prediction
• Title（参考訳）: OC-Distill: ICUリスク予測のためのクロスモーダル蒸留を用いたオントロジー対応コントラスト学習
• Authors: Zhongyuan Liang, Junhyung Jo, Hyang-Jung Lee, Sang Kyu Kim, Irene Y. Chen,
• Abstract要約: 重篤な臨床疾患の早期予測は、ICUのような高可用性設定において、タイムリーな介入とリソース割り当ての改善を可能にする。 これにより、リアルタイムのリスク予測のために、バイタルサインやその他の生理学的信号の連続的なストリームを活用する機械学習モデルの開発が進められている。 提案する2段階のフレームワークであるOC-Distillは,トレーニング中のマルチモーダル・インテリジェンスを活用しながら,推論時に重要なサインしか必要としない。
• 参考スコア（独自算出の注目度）: 2.482401782570932
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Early prediction of severe clinical deterioration and remaining length of stay can enable timely intervention and better resource allocation in high-acuity settings such as the ICU. This has driven the development of machine learning models that leverage continuous streams of vital signs and other physiological signals for real-time risk prediction. Despite their promise, existing methods have important limitations. Contrastive pretraining treats all patients as equally strong negatives, failing to capture clinically meaningful similarity between patients with related diagnoses. Meanwhile, downstream fine-tuning typically ignores complementary modalities such as clinical notes, which provide rich contextual information unavailable in physiological signals alone. To address these challenges, we propose OC-Distill, a two-stage framework that leverages multimodal supervision during training while requiring only vital signs at inference. In the first stage, we introduce an ontology-aware contrastive objective that exploits the ICD hierarchy to quantify patient similarity and learn clinically grounded representations. In the second stage, we fine-tune the pretrained encoder via cross-modal knowledge distillation, transferring complementary information from clinical notes into the model. Across multiple ICU prediction tasks on MIMIC, OC-Distill demonstrates improved label efficiency and achieves state-of-the-art performance among methods that use only vital signs at inference.
• Abstract（参考訳）: 重症な臨床疾患の早期予測と滞在期間の維持は、ICUのような高可用性設定において、タイムリーな介入とリソース割り当てを可能とすることができる。 これにより、リアルタイムのリスク予測のために、バイタルサインやその他の生理学的信号の連続的なストリームを活用する機械学習モデルの開発が進められている。 約束にもかかわらず、既存のメソッドには重要な制限がある。 対照的な事前訓練は、全ての患者を同等に強力な陰性症として扱い、関連する診断の患者間で臨床的に有意な類似性を捉えられなかった。 一方、下流の微調整は、典型的には臨床ノートのような補完的なモダリティを無視し、生理的信号だけでは利用できない豊富な文脈情報を提供する。 これらの課題に対処するために,トレーニング中のマルチモーダル監視を活用する2段階のフレームワークであるOC-Distillを提案する。 第一段階では、ICD階層を利用して患者類似性を定量化し、臨床基礎的表現を学習するオントロジーを意識したコントラスト目的を導入する。 第2段階では, 訓練済みエンコーダをクロスモーダルな知識蒸留により微調整し, 臨床ノートからの補完情報をモデルに転送する。 MIMIC上の複数のICU予測タスク全体にわたって、OC-Distillはラベル効率を改善し、推論時に重要な信号のみを使用する手法の最先端性能を実現する。

関連論文リスト

• DT-ICU: Towards Explainable Digital Twins for ICU Patient Monitoring via Multi-Modal and Multi-Task Iterative Inference [3.630848302035617]
  本稿では,集中治療における連続的リスク推定のためのデジタルツインフレームワークDT-ICUを紹介する。 DT-ICUは可変長臨床時系列と静的患者情報を統合アーキテクチャで統合する。 我々は,大規模なMIMIC-IVデータセット上でDT-ICUを評価する。
  論文  参考訳（メタデータ） (2026-01-12T17:54:19Z)
• Neural Architecture for Fast and Reliable Coagulation Assessment in Clinical Settings: Leveraging Thromboelastography [11.141462411413059]
  リアルタイム凝固モニタリングは、早期発見とリスクの即時修復を可能にする。 従来のトロンボエラストグラフィー(TEG)は、1時間近く測定した後にしかそのような出力が得られない。 本稿では,個人間の動的変化のアドバンテージを考慮に入れた新しいアルゴリズムPSRを提案する。
  論文  参考訳（メタデータ） (2026-01-12T15:03:53Z)
• MEET-Sepsis: Multi-Endogenous-View Enhanced Time-Series Representation Learning for Early Sepsis Prediction [50.74903497515021]
  セプシス(Sepsis)は、集中治療室(ICUs)の高死亡にともなう致命的な感染症である。 早期かつ正確な敗血症予測(SP)は、時間的介入には重要であるが、微妙な早期症状と急激な死亡率の増大により、依然として困難である。 本稿では,拡張された特徴ビューを構築するための多言語ビュー表現強化(MERE)機構と,時間的表現学習のためのCDTAモジュールを提案する。 提案したMEET-Sepsis フレームワークは,SOTA 法で要求される ICU モニタリング時間の 20% のみを用いて,競合予測の精度を実現し,大幅に向上した。
  論文  参考訳（メタデータ） (2025-10-13T13:38:29Z)
• Predicting Treatment Response in Body Dysmorphic Disorder with Interpretable Machine Learning [0.4604003661048266]
  身体異形性障害(Body Dysmorphic Disorder, BDD)は、頻繁に診断される疾患である。 我々は、治療結果を予測するために複数の機械学習アプローチを採用している。 治療の信頼性は最も強力な予測因子として浮上した。
  論文  参考訳（メタデータ） (2025-03-13T17:39:10Z)
• CTPD: Cross-Modal Temporal Pattern Discovery for Enhanced Multimodal Electronic Health Records Analysis [50.56875995511431]
  マルチモーダルEHRデータから有意な時間的パターンを効率的に抽出するために,CTPD(Cross-Modal Temporal Pattern Discovery)フレームワークを導入する。 提案手法では,時間的セマンティックな埋め込みを生成するためにスロットアテンションを用いて改良された時間的パターン表現を提案する。
  論文  参考訳（メタデータ） (2024-11-01T15:54:07Z)
• Deep State-Space Generative Model For Correlated Time-to-Event Predictions [54.3637600983898]
  そこで本研究では,様々な種類の臨床イベント間の相互作用を捉えるために,潜伏状態空間生成モデルを提案する。 また,死亡率と臓器不全の関連性について有意な知見が得られた。
  論文  参考訳（メタデータ） (2024-07-28T02:42:36Z)
• Pruning the Way to Reliable Policies: A Multi-Objective Deep Q-Learning Approach to Critical Care [46.2482873419289]
  我々は、より信頼性の高いクリティカルケアポリシーを得るための深いQ-ラーニングアプローチを導入する。 本手法を,集中治療室のシミュレーション環境と実際の健康記録を用いて,オフライン・オフ・セッティングで評価した。
  論文  参考訳（メタデータ） (2023-06-13T18:02:57Z)
• MIA-Prognosis: A Deep Learning Framework to Predict Therapy Response [58.0291320452122]
  本稿では,患者の予後と治療反応を予測するための統合型深層学習手法を提案する。 我々は,マルチモーダル非同期時系列分類タスクとして,確率モデリングを定式化する。 我々の予測モデルは、長期生存の観点から、低リスク、高リスクの患者をさらに階層化する可能性がある。
  論文  参考訳（メタデータ） (2020-10-08T15:30:17Z)

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。