Fugu-MT 論文翻訳(概要): Causal-Transformer with Adaptive Mutation-Locking for Early Prediction of Acute Kidney Injury

論文の概要: Causal-Transformer with Adaptive Mutation-Locking for Early Prediction of Acute Kidney Injury

arxiv url: http://arxiv.org/abs/2604.20259v1
Date: Wed, 22 Apr 2026 07:08:25 GMT
ステータス: 翻訳完了
システム内更新日: 2026-04-23 15:36:11.004522
Title: Causal-Transformer with Adaptive Mutation-Locking for Early Prediction of Acute Kidney Injury
Title（参考訳）: 急性腎損傷の早期予測のための適応突然変異同期型因果変圧器
Authors: Weizhi Nie, Haolin Chen,
Abstract要約: 既存のディープラーニングモデルは、不規則にサンプリングされたデータを扱う。本稿では,連続時間モデリングをCausal-Transformerと統合したCT-Formerを提案する。我々はCT-Formerが最先端のベースラインを大きく上回ることを示す。
参考スコア（独自算出の注目度）: 24.453881669473137
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Accurate early prediction of Acute Kidney Injury (AKI) is critical for timely clinical intervention. However, existing deep learning models struggle with irregularly sampled data and suffer from the opaque "black-box" nature of sequential architectures, strictly limiting clinical trust. To address these challenges, we propose CT-Former, integrating continuous-time modeling with a Causal-Transformer. To handle data irregularity without biased artificial imputation, our framework utilizes a continuous-time state evolution mechanism to naturally track patient temporal trajectories. To resolve the black-box problem, our Causal-Attention module abandons uninterpretable hidden state aggregation. Instead, it generates a directed structural causal matrix to identify and trace the exact historical onset of severe physiological shocks. By establishing clear causal pathways between historical anomalies and current risk predictions, CT-Former provides native clinical interpretability. Training follows a decoupled two-stage protocol to optimize the causal-fusion process independently. Extensive experiments on the MIMIC-IV cohort (N=18,419) demonstrate that CT-Former significantly outperforms state-of-the-art baselines. The results confirm that our explicitly transparent architecture offers an accurate and trustworthy tool for clinical decision-making.
Abstract（参考訳）: 急性腎臓損傷(AKI)の正確な早期予測は、時間的臨床介入に重要である。しかし、既存のディープラーニングモデルは、不規則にサンプリングされたデータに悩まされ、シーケンシャルアーキテクチャの"ブラックボックス"という不透明な性質に苦しむ。これらの課題に対処するために,連続時間モデリングをCausal-Transformerと統合したCT-Formerを提案する。偏りのないデータ不規則性に対処するため,我々のフレームワークは,患者の時間的軌跡を自然に追跡するために,連続的な状態進化機構を利用する。ブラックボックスの問題を解決するために、我々のカスタル・アテンション・モジュールは解釈不能な隠れ状態アグリゲーションを放棄する。代わりに、重度の生理的ショックの正確な歴史的発生を識別し追跡するために、指示された構造因果行列を生成する。歴史的異常と現在のリスク予測の間に明確な因果経路を確立することで、CT-Formerはネイティブな臨床解釈可能性を提供する。トレーニングは、因果融合プロセスを独立して最適化するための分離された2段階のプロトコルに従う。 MIMIC-IVコホート(N=18,419)の大規模な実験により、CT-Formerは最先端のベースラインを著しく上回ることが示された。その結果、我々の明示的な透明なアーキテクチャは、臨床的意思決定に正確で信頼できるツールを提供することを確認した。

関連論文リスト

Clinical Cognition Alignment for Gastrointestinal Diagnosis with Multimodal LLMs [63.535652574541764]
MLLM(Multimodal Large Language Models)は医用画像解析において顕著な可能性を示した。消化器内視鏡におけるそれらの応用は、現在、2つの重要な限界によって妨げられている。本稿では,これらの課題に対処する新しい臨床認知アライメント(CogAlign)フレームワークを提案する。
論文参考訳（メタデータ） (2026-03-21T07:47:37Z)
Unsupervised Causal Prototypical Networks for De-biased Interpretable Dermoscopy Diagnosis [25.56111601488338]
CausalProtoは、視覚的エビデンスチェーンを浄化するunsupervised Causal Prototypeal Networkである。 CausalProtoは診断性能に優れ、標準のブラックボックスモデルより一貫して優れていることを示す。
論文参考訳（メタデータ） (2026-02-27T07:28:20Z)
Suppressing Prior-Comparison Hallucinations in Radiology Report Generation via Semantically Decoupled Latent Steering [94.37535002230504]
本研究では,Semantically Decoupled Latent Steeringと呼ばれる学習自由な推論時間制御フレームワークを開発した。提案手法は,大言語モデル (LLM) による意味分解による意味のない介入ベクトルを構築する。本手法は歴史的幻覚の可能性を著しく低下させることを示す。
論文参考訳（メタデータ） (2026-02-27T04:49:01Z)
SurvKAN: A Fully Parametric Survival Model Based on Kolmogorov-Arnold Networks [7.352227733654751]
Kolmogorov-Arnold Networks (KAN) に基づく完全パラメトリック・時間連続生存モデルであるSurvKANを紹介する。 SurvKANは時間を、ログハザード関数を直接予測するkanへの明示的な入力として扱い、完全な生存可能性に関するエンドツーエンドのトレーニングを可能にする。
論文参考訳（メタデータ） (2026-02-02T14:49:14Z)
Auditing Sybil: Explaining Deep Lung Cancer Risk Prediction Through Generative Interventional Attributions [13.541880000403323]
肺癌ががん死亡の主な原因である。現在の評価は純粋に観測基準に依存している。モデルに依存しない監査フレームワークであるS(H)NAPを提案する。
論文参考訳（メタデータ） (2026-01-30T15:21:52Z)
TraCeR: Transformer-Based Competing Risk Analysis with Longitudinal Covariates [0.0]
TraCeRはトランスフォーマーベースの生存分析フレームワークである。一連の測定結果からハザード関数を推定する。複数の実世界のデータセットの実験は、実質的で統計的に重要なパフォーマンス改善を示している。
論文参考訳（メタデータ） (2025-12-19T23:24:47Z)
Unstable Prompts, Unreliable Segmentations: A Challenge for Longitudinal Lesion Analysis [0.5537760992845262]
本稿では,ULS23セグメンテーションモデルの性能を経時的に検討する。本報告では, スキャン間登録誤りによる経過観察におけるセグメンテーション品質の急激な低下と, その後の病変対応過程の崩壊の2つの重要な障害モードを同定した。
論文参考訳（メタデータ） (2025-07-25T12:55:48Z)
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)
Instrumental Variable Learning for Chest X-ray Classification [52.68170685918908]
本稿では,素因果関係を排除し,正確な因果表現を得るための解釈可能な機器変数(IV)学習フレームワークを提案する。提案手法の性能はMIMIC-CXR,NIH ChestX-ray 14,CheXpertデータセットを用いて実証した。
論文参考訳（メタデータ） (2023-05-20T03:12:23Z)
Semantic Latent Space Regression of Diffusion Autoencoders for Vertebral Fracture Grading [72.45699658852304]
本稿では,教師なし特徴抽出器として生成拡散オートエンコーダモデルを訓練するための新しい手法を提案する。フラクチャーグレーディングを連続回帰としてモデル化し, フラクチャーのスムーズな進行を反映した。重要なことに,本手法の創成特性は,与えられた脊椎の様々な段階を可視化し,自動グルーピングに寄与する特徴を解釈し,洞察することを可能にする。
論文参考訳（メタデータ） (2023-03-21T17:16:01Z)
SurvLatent ODE : A Neural ODE based time-to-event model with competing risks for longitudinal data improves cancer-associated Deep Vein Thrombosis (DVT) prediction [68.8204255655161]
本稿では,不規則なサンプルデータの下で潜在表現をパラメータ化する生成時間対イベントモデルSurvLatent ODEを提案する。そこで,本モデルでは,事象特異的ハザード関数の形状を指定せずに,複数の競合イベントの生存時間を柔軟に推定する。 SurvLatent ODEは、DVTリスクグループを成層化するために、現在の臨床標準であるKhorana Riskスコアより優れている。
論文参考訳（メタデータ） (2022-04-20T17:28:08Z)

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。