論文の概要: NEURON: A Neuro-symbolic System for Grounded Clinical Explainability

• arxiv url: http://arxiv.org/abs/2605.01189v1
• Date: Sat, 02 May 2026 02:00:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-05 20:33:49.630483
• Title: NEURON: A Neuro-symbolic System for Grounded Clinical Explainability
• Title（参考訳）: NEURON : 接地型臨床説明可能性のためのニューロシンボリックシステム
• Authors: Anuradha Chandrasekaran, Dimitrios Zikos, Mutlu Mete, Alan Pang, Brady D. Lund, Kewei Sha,
• Abstract要約: NEURONは、予測信頼性と臨床解釈可能性の両方を高めるように設計された神経シンボルシステムである。 我々の結果は、NEURONが信頼できる人間中心のコネクテッドヘルスアプリケーションをデプロイするための堅牢でスケーラブルなエンジニアリングソリューションを提供していることを実証している。
• 参考スコア（独自算出の注目度）: 5.893027587750518
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Clinical AI adoption is hindered by the black-box/grey-box nature of high-performing models, which lack the ontological grounding and narrative transparency required for professional-level explainability. We present NEURON, a neuro-symbolic system designed to enhance both predictive reliability and clinical interpretability. NEURON integrates SNOMED CT ontology-informed structural representations with machine learning models to bridge the gap between raw data and medical nomenclature. To facilitate human-aligned interaction, the system utilizes a Retrieval-Augmented Generation (RAG) grounded LLM layer to synthesize SHAP feature attributions and patient-specific clinical notes into coherent, natural-language explanations. Validated on the MIMIC-IV dataset for Acute Heart Failure mortality prediction, NEURON improved the AUC from 0.74-0.77 to 0.84-0.88 and significantly outperformed raw SHAP visualizations in human-aligned metrics (0.85 vs. 0.50). Our results demonstrate that NEURON offers a robust, scalable engineering solution for deploying trustworthy, human-centered connected health applications.
• Abstract（参考訳）: 臨床AIの採用は、プロレベルの説明責任に必要なオントロジ的基盤と物語的透明性が欠如しているハイパフォーマンスモデルのブラックボックス/グレーボックスの性質によって妨げられている。 我々は,予測信頼性と臨床解釈性の両方を高めるために設計されたニューロシンボリックシステムであるNEURONを提案する。 NEURONは、SNOMED CTオントロジーにインフォームドされた構造表現と機械学習モデルを統合し、生データと医療命名のギャップを埋める。 人間同士の相互作用を容易にするため、このシステムは、RAG(Retrieval-Augmented Generation)基底LLM層を使用して、SHAP特徴属性と患者固有の臨床ノートを一貫性のある自然言語説明に合成する。 MIMIC-IVデータセットによる急性心不全死亡予測の検証により、NEURONはAUCを0.74-0.77から0.84-0.88に改善し、ヒトの基準値(0.85対0.50)において生のSHAP視覚化を大幅に上回った。 我々の結果は、NEURONが信頼できる人間中心のコネクテッドヘルスアプリケーションをデプロイするための堅牢でスケーラブルなエンジニアリングソリューションを提供していることを実証している。

関連論文リスト

• DuSCN-FusionNet: An Interpretable Dual-Channel Structural Covariance Fusion Framework for ADHD Classification Using Structural MRI [5.59102235103554]
  我々はADHD分類のための解釈可能なsMRIベースのフレームワークであるDuSCN-FusionNetを提案する。 このモデルは,5シードのアンサンブル戦略を用いて,層状10倍のクロスバリデーションを用いて評価した。 ADHD-200データセットの北京大学のサイトで平均平衡精度が80.59%、AUCが0.778に達する。
  論文  参考訳（メタデータ） (2026-03-27T12:25:55Z)
• Cerebra: A Multidisciplinary AI Board for Multimodal Dementia Characterization and Risk Assessment [56.62016795093786]
  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。
  論文  参考訳（メタデータ） (2026-03-23T05:46:45Z)
• NEURO-GUARD: Neuro-Symbolic Generalization and Unbiased Adaptive Routing for Diagnostics -- Explainable Medical AI [0.6345042809319409]
  NEURO-GUARDは、視覚変換器(ViT)と言語駆動推論を統合して性能を向上させる知識誘導型視覚フレームワークである。 NEURO-GUARDは、大規模言語モデル(LLM)が医療画像の特徴抽出コードを反復的に生成し、評価し、洗練する自己検証のために、検索拡張生成(RAG)機構を採用している。 4つのベンチマークデータセットで糖尿病網膜症分類の実験により、NEURO-GUARDはViTのみのベースラインで精度を6.2%改善し、ドメインの一般化で5%向上した。
  論文  参考訳（メタデータ） (2025-12-20T02:32:15Z)
• AI-Enhanced High-Density NIRS Patch for Real-Time Brain Layer Oxygenation Monitoring in Neurological Emergencies [1.554464105856087]
  我々は、脳皮質からリアルタイムで層特異的な酸素化データを提供するために最適化されたAI駆動の高密度NIRSシステムを導入する。 提案システムは,高密度NIRS反射率データとMRIに基づく合成データセットに基づいてトレーニングされたニューラルネットワークを統合する。 シミュレーションでは、我々のAI支援NIRSは、実際の皮質酸素化と強い相関を示し、従来の方法よりも顕著に優れていた。
  論文  参考訳（メタデータ） (2025-11-06T13:45:01Z)
• Interpretable Neuropsychiatric Diagnosis via Concept-Guided Graph Neural Networks [56.75602443936853]
  青少年の5人に1人は、不安、うつ病、行動障害などの精神状態または行動の健康状態と診断されている。 従来の研究では、障害予測にグラフニューラルネットワーク(GNN)アプローチを使用していたが、ブラックボックスのままであり、信頼性と臨床翻訳を制限している。 本研究では,解釈可能な機能接続の概念を符号化する概念に基づく診断フレームワークを提案する。 我々の設計は臨床的に意味のある接続パターンを通じて予測を保証し、解釈可能性と強い予測性能の両方を可能にする。
  論文  参考訳（メタデータ） (2025-10-02T19:38:46Z)
• Interpretable Clinical Classification with Kolgomorov-Arnold Networks [70.72819760172744]
  Kolmogorov-Arnold Networks (KAN) は、透明で象徴的な表現を通じて固有の解釈能力を提供する。 Kansは、組み込みの患者レベルの洞察、直感的な可視化、最寄りの患者の検索をサポートする。 これらの結果は、カンを、臨床医が理解し、監査し、行動できる信頼できるAIへの有望なステップと位置づけている。
  論文  参考訳（メタデータ） (2025-09-20T17:21:58Z)
• Fusion-Based Brain Tumor Classification Using Deep Learning and Explainable AI, and Rule-Based Reasoning [0.0]
  本研究では,MobileNetV2とDenseNet121畳み込みニューラルネットワーク(CNN)を組み合わせたアンサンブルに基づくディープラーニングフレームワークを提案する。 モデルは、階層化された5倍のクロスバリデーションプロトコルを使用して、Figshareデータセット上でトレーニングされ、評価された。 このアンサンブルは個々のCNNよりも優れた性能を示し、精度は91.7%、精度は91.9%、リコールは91.7%、F1スコアは91.6%だった。
  論文  参考訳（メタデータ） (2025-08-09T08:46:36Z)
• A Non-contrast Head CT Foundation Model for Comprehensive Neuro-Trauma Triage [5.39145170841044]
  AIと医用画像の最近の進歩は、緊急頭部CTの解釈にトランスフォーメーションの可能性をもたらす。 本研究では, 多様な神経外傷所見を高精度かつ効率的に検出するための3次元基礎モデルを提案する。
  論文  参考訳（メタデータ） (2025-02-28T14:44:55Z)
• Neural Network-Based Histologic Remission Prediction In Ulcerative Colitis [38.150634108667774]
  潰瘍性大腸炎(UC)の新しい治療標的としての組織学的寛解 内視鏡(Endocytoscopy、EC)は、新しい超高倍率内視鏡技術である。 本稿では,心電図の組織学的疾患活動を評価するニューラルネットワークモデルを提案する。
  論文  参考訳（メタデータ） (2023-08-28T15:54:14Z)
• Deep-Learning Tool for Early Identifying Non-Traumatic Intracranial Hemorrhage Etiology based on CT Scan [40.51754649947294]
  深層学習モデルは、2011年1月から2018年4月までに収集された非外傷性ICHを用いた1868個のNCCTスキャンを用いて開発された。 診断成績は臨床医の成績と比較した。 臨床医は, システム拡張による特定の出血エチオロジーの感度, 特異性, 精度を著しく改善した。
  論文  参考訳（メタデータ） (2023-02-02T08:45:17Z)

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。