論文の概要: PromptDx: Differentiable Prompt Tuning for Multimodal In-Context Alzheimer's Diagnosis
- arxiv url: http://arxiv.org/abs/2605.08585v1
- Date: Sat, 09 May 2026 01:05:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-12 23:28:49.757497
- Title: PromptDx: Differentiable Prompt Tuning for Multimodal In-Context Alzheimer's Diagnosis
- Title（参考訳）: PromptDx: Multimodal In-Context Alzheimer 診断におけるprompt Tuning
- Abstract要約: 医学画像における深層学習モデルは、通常、訓練中に学んだ知識を思い出して患者を診断するパラメトリック記憶として機能する。
これは、医師が過去の類似した記録を参照することによって、新しい症例を診断するために類推的推論を用いる臨床実践とは対照的である。
本稿では,事前学習したTabPFNをICLエンジンとして活用し,マルチモーダル表現とのシームレスな統合を実現する新しい診断・参照フレームワークであるPromptDxを提案する。
- 参考スコア（独自算出の注目度）: 5.428441220520052
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep learning models in medical imaging typically operate as parametric memory, diagnosing patients by recalling fixed knowledge learned during training. This contrasts sharply with clinical practice, where physicians employ analogical reasoning to diagnose new cases by referencing similar records from past exemplars. While In-Context Learning (ICL) frameworks such as Tabular Prior-Fitted Networks (TabPFN) offer a promising diagnosis-by-reference paradigm, they are designed with tabular-specific inductive priors and rely on non-differentiable preprocessing pipelines, leading to manifold mismatch and gradient fracture when applied to heterogeneous multimodal data. To address these limitations, we propose PromptDx, a novel diagnosis-by-reference framework that leverages a pre-trained TabPFN as an ICL engine while enabling seamless integration with multimodal representations. Our core contribution is a Differentiable Prompt Tuning (DPT) mechanism that aligns a Masked Multimodal Modeling module with the pre-trained ICL engine. By training a lightweight adapter as a differentiable surrogate for the engine's non-differentiable preprocessors, we enable an end-to-end optimization of multimodal prompts within the ICL paradigm. We validate our method on the Alzheimer's Disease Neuroimaging Initiative (ADNI) dataset using 3D MRI and tabular biomarkers. Experiments demonstrate that our approach outperforms traditional parametric baselines. Notably, our method achieves superior performance using only 1% context samples compared to 30% in standard ICL, demonstrating exceptional manifold condensation ability. We further validate the generalizability of our DPT framework across six tabular datasets with diverse scales. Overall, our method offers a more data-efficient and clinically aligned paradigm for Alzheimer's Disease diagnosis.
- Abstract（参考訳）: 医学画像における深層学習モデルは、通常、訓練中に学んだ知識を思い出して患者を診断するパラメトリック記憶として機能する。
これは、医師が過去の類似した記録を参照することによって、新しい症例を診断するために類推的推論を用いる臨床実践とは対照的である。
Tabular Prior-Fitted Networks (TabPFN)のようなICL(In-Context Learning)フレームワークは、有望な診断・参照パラダイムを提供するが、それらは表形式固有の帰納的事前処理で設計されており、不均一なマルチモーダルデータに適用した場合、多様体ミスマッチと勾配破壊を引き起こす。
これらの制約に対処するため,マルチモーダル表現とのシームレスな統合を実現しつつ,事前学習したTabPFNをICLエンジンとして活用する新しい診断・参照フレームワークであるPromptDxを提案する。
我々のコアコントリビューションは、Masked Multimodal Modelingモジュールと事前訓練されたICLエンジンを整合させる、微分可能なPrompt Tuning(DPT)メカニズムです。
エンジンの非微分可能プリプロセッサのサロゲートとして軽量アダプタを訓練することにより、ICLパラダイム内でのマルチモーダルプロンプトのエンドツーエンド最適化を可能にする。
我々は3次元MRIと表層バイオマーカーを用いたアルツハイマー病神経イメージングイニシアチブ(ADNI)データセットの検証を行った。
実験により、我々のアプローチは従来のパラメトリックベースラインよりも優れていることが示された。
特に,本手法は標準ICLの30%に比べて1%しかコンテキストサンプルを使用せず,卓越した多様体凝縮能力を示す。
さらに、様々なスケールの6つの表付きデータセットにまたがるDPTフレームワークの一般化性を検証する。
総じて,本手法はアルツハイマー病の診断において,よりデータ効率が高く,臨床的に整合したパラダイムを提供する。
関連論文リスト
- Concept-Grounded Reasoning with Prompt-Driven Localization for Interpretable Structured Report Generation [66.62662330558906]
CORALは、空間的接地と概念レベルの監督を統一的な推論プロセスに統合するマルチモーダルフレームワークである。
コーラルは、疾患の局所化とコンセプション・ボトルネックモジュールによる多クラス臨床属性の予測のために、プロンプト駆動型医療セグメンテーションモデルを採用している。
BUS-CoTとIU X線データセットの実験では、診断精度、概念整合性、報告品質が強力な汎用および医療MLLMよりも一貫した改善が示されている。
論文 参考訳（メタデータ） (2026-09-14T10:21:23Z) - SMILE: Self-Explainable Multimodal Information Bottleneck for Medical Diagnosis [71.98702207668346]
説明可能性(Explainability)は、AIベースの診断、特に安全クリティカルな臨床的意思決定において、ますます重要な要件とみなされている。
本稿では,情報ボトルネック(IB)フレームワーク内で定式化することで,自己説明可能なマルチモーダル診断の問題に対処する。
本稿では,予測性能とモダリティ固有の説明可能性とを協調的に最適化する統合学習パラダイムを提案する。
論文 参考訳（メタデータ） (2026-09-04T14:13:24Z) - Context-driven Missing-Modality Learning for Robust Medical Diagnosis with Image-Tabular Data [38.54068135443487]
本稿では,コンテキスト駆動型ミス・モダリティ学習フレームワークを提案する。
連続的にモダリティ合成とセマンティックアライメントを行い、堅牢な診断を実現する。
最先端のSOTA(State-of-the-art)法では、それぞれ1.26%、0.97%、1.32%のAVG AUCの改善を実現している。
論文 参考訳（メタデータ） (2026-05-25T15:44:26Z) - Continual Learning for fMRI-Based Brain Disorder Diagnosis via Functional Connectivity Matrices Generative Replay [29.68388420763425]
異種臨床現場におけるfMRIによる診断に特化して設計された最初の連続学習フレームワークを提案する。
本フレームワークでは,患者群と制御群の両方で現実的なFC行列を合成する構造対応変分オートエンコーダを提案する。
重度抑うつ障害(MDD)、統合失調症(SZ)、自閉症スペクトラム障害(ASD)に対する多地点データセットの実験は、提案した生成モデルがデータ拡張品質を向上させることを示す。
論文 参考訳（メタデータ） (2026-04-15T16:08:52Z) - Synergizing Discriminative Exemplars and Self-Refined Experience for MLLM-based In-Context Learning in Medical Diagnosis [4.619078510367921]
クリニック・ミメティックは、差別的模範的コアセット選択(DECS)と自己修正経験要約(SRES)を相乗化するために設計された新しいインコンテキスト・ラーニング(ICL)フレームワークである。
DECSは、ノイズデータから識別的視覚コアセットを計算レベルで選択することで、臨床医の「アンカーケース」を参照する能力をシミュレートする。
SRESは、多様なロールアウトを動的テキスト体験銀行に蒸留することにより、臨床診断における認知と反射を模倣する。
論文 参考訳（メタデータ） (2026-03-29T15:29:59Z) - MMedExpert-R1: Strengthening Multimodal Medical Reasoning via Domain-Specific Adaptation and Clinical Guideline Reinforcement [63.82954136824963]
医療ビジョンランゲージモデルでは、現実世界のシナリオで必要とされる複雑な臨床推論を伴う知覚タスクが優れている。
本稿ではドメイン固有の適応とガイドライン強化を通じてこれらの課題に対処する新しい推論MedVLMを提案する。
論文 参考訳（メタデータ） (2026-01-16T02:32:07Z) - RAD: Towards Trustworthy Retrieval-Augmented Multi-modal Clinical Diagnosis [56.373297358647655]
Retrieval-Augmented Diagnosis (RAD)は、下流タスクで直接マルチモーダルモデルに外部知識を注入する新しいフレームワークである。
RADは、複数の医療ソースからの疾患中心の知識の検索と改善、ガイドライン強化コントラスト損失トランスフォーマー、デュアルデコーダの3つの主要なメカニズムで機能する。
論文 参考訳（メタデータ） (2025-09-24T10:36:14Z) - impuTMAE: Multi-modal Transformer with Masked Pre-training for Missing Modalities Imputation in Cancer Survival Prediction [75.43342771863837]
我々は,効率的なマルチモーダル事前学習戦略を備えた新しいトランスフォーマーに基づくエンドツーエンドアプローチである impuTMAE を紹介する。
マスクされたパッチを再構築することで、モダリティの欠如を同時に示唆しながら、モダリティ間の相互作用とモダリティ内相互作用を学習する。
本モデルは,TGA-GBM/LGGとBraTSデータセットを用いたグリオーマ生存予測のために,異種不完全データに基づいて事前訓練を行った。
論文 参考訳（メタデータ） (2025-08-08T10:01:16Z) - Continually Evolved Multimodal Foundation Models for Cancer Prognosis [50.43145292874533]
がん予後は、患者の予後と生存率を予測する重要なタスクである。
これまでの研究では、臨床ノート、医療画像、ゲノムデータなどの多様なデータモダリティを統合し、補完的な情報を活用している。
既存のアプローチには2つの大きな制限がある。まず、各病院の患者記録など、各種のトレーニングに新しく到着したデータを組み込むことに苦慮する。
第二に、ほとんどのマルチモーダル統合手法は単純化された結合やタスク固有のパイプラインに依存しており、モダリティ間の複雑な相互依存を捉えることができない。
論文 参考訳（メタデータ） (2025-01-30T06:49:57Z) - MoRE: Multi-Modal Contrastive Pre-training with Transformers on X-Rays, ECGs, and Diagnostic Report [4.340464264725625]
我々は,X線,心電図(ECG),放射線学・心臓医学報告を相乗的に組み合わせた,新しいマルチモーダルコントラスト事前学習フレームワークを提案する。
我々はLoRA-Peftを用いて、LLMにおけるトレーニング可能なパラメータを著しく削減し、視覚変換器(ViT)に最近の線形アテンション降下戦略を取り入れ、よりスムーズなアテンションを実現する。
我々の知る限り、我々はX線、心電図、放射線学・医学レポートをこの手法と組み合わせた統合モデルを提案している。
論文 参考訳（メタデータ） (2024-10-21T17:42:41Z) - XAI for In-hospital Mortality Prediction via Multimodal ICU Data [57.73357047856416]
マルチモーダルICUデータを用いて病院内死亡率を予測するための,効率的で説明可能なAIソリューションを提案する。
我々は,臨床データから異種入力を受信し,意思決定を行うマルチモーダル・ラーニングを我々のフレームワークに導入する。
我々の枠組みは、医療研究において重要な要素の発見を容易にする他の臨床課題に容易に移行することができる。
論文 参考訳（メタデータ） (2023-12-29T14:28:04Z) - MMLN: Leveraging Domain Knowledge for Multimodal Diagnosis [10.133715767542386]
肺疾患診断のための知識駆動型およびデータ駆動型フレームワークを提案する。
本研究は, 臨床医学ガイドラインに従って診断規則を定式化し, テキストデータから規則の重みを学習する。
テキストと画像データからなるマルチモーダル融合は、肺疾患の限界確率を推定するために設計されている。
論文 参考訳（メタデータ） (2022-02-09T04:12:30Z)
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。