論文の概要: WISTERIA: Learning Clinical Representations from Noisy Supervision via Multi-View Consistency in Electronic Health Records

• arxiv url: http://arxiv.org/abs/2605.09765v1
• Date: Sun, 10 May 2026 21:25:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:50.409476
• Title: WISTERIA: Learning Clinical Representations from Noisy Supervision via Multi-View Consistency in Electronic Health Records
• Title（参考訳）: WISTERIA:電子カルテにおけるマルチビュー整合性によるノイズスーパービジョンからの臨床表現の学習
• Authors: Ruan Dong, Yuanyun Zhang, Shi Li,
• Abstract要約: WISTERIAは弱教師付き表現学習フレームワークである。 誘導されたラベル分布の一貫性を強制することで表現を学習する。 標準のEHRベンチマークで予測パフォーマンスが向上する。
• 参考スコア（独自算出の注目度）: 1.585843510099207
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Representation learning in electronic health records (EHR) has largely followed paradigms inherited from natural language processing, relying on sequence modeling and reconstruction based objectives that treat clinical labels as ground truth. However, real world clinical supervision is inherently weak, arising from heterogeneous, noisy, and institution specific labeling processes such as billing codes, heuristic phenotypes, and incomplete annotations. In this work, we propose WISTERIA, a weakly supervised representation learning framework that models labels as stochastic observations of an underlying latent clinical state. Instead of optimizing against a single supervision signal, WISTERIA constructs multiple weak supervision operators and learns representations by enforcing consistency across their induced label distributions. This multi view formulation induces an implicit denoising mechanism, allowing the model to recover clinically meaningful structure by reconciling disagreement between noisy labelers. We further incorporate ontology aware regularization in the label space to impose semantic structure over supervision signals. Empirically, WISTERIA improves predictive performance across standard EHR benchmarks, demonstrates strong robustness to label noise, and exhibits superior cross institutional generalization compared to sequence based pretraining objectives. These results suggest that explicitly modeling the supervision process rather than treating labels as fixed targets provides a more appropriate inductive bias for learning robust and clinically meaningful representations from EHR data.
• Abstract（参考訳）: 電子健康記録(EHR)における表現学習は、主に自然言語処理から受け継がれたパラダイムに従っており、シーケンスモデリングと臨床ラベルを基礎的真理として扱う再構築に基づく目的に依存している。 しかし、現実の臨床的監督は本質的に弱く、不均一でノイズがあり、請求コード、ヒューリスティックな表現型、不完全アノテーションのような制度的な特定のラベル付けプロセスから生じている。 本研究では,下位臨床状態の確率的観察としてラベルをモデル化した,弱教師付き表現学習フレームワークWISTERIAを提案する。 WISTERIAは単一の監督信号に最適化するのではなく、複数の弱い監督演算子を構築し、誘導されたラベル分布の一貫性を強制することによって表現を学ぶ。 この多視点定式化は暗黙の認知機構を誘導し、ノイズラベル間の不一致を和らげることで臨床的に有意な構造を復元することができる。 さらに、ラベル空間にオントロジーを意識した正規化を組み込んで、監視信号に意味的構造を課す。 実験的に、WISTERIAは標準的なEHRベンチマークの予測性能を改善し、ラベルノイズに対する強い堅牢性を示し、シーケンスベースの事前学習目標よりも優れた機関間一般化を示す。 これらの結果は,ラベルを固定されたターゲットとして扱うのではなく,監督プロセスを明示的にモデル化することが,ERHデータから堅牢で臨床的に意味のある表現を学習する上で,より適切な帰納的バイアスをもたらすことを示唆している。

関連論文リスト

• Systematic Evaluation of Large Language Models for Post-Discharge Clinical Action Extraction [0.0]
  本稿では,CLIP分泌ノートデータセットを用いた安全クリティカルな臨床行動抽出のためのゼロショットおよび少数ショット大言語モデル (LLMs) について検討する。 そこで本稿では,物語形式で記述された2段階の退院記譜を,よりきめ細やかに動作可能な臨床タスクに分解する2段階の抽出フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-07T13:05:07Z)
• Multi-View Synergistic Learning with Vision-Language Adaption for Low-Resource Biomedical Image Classification [59.24009931000134]
  MVSL(Multi-View Synergistic Learning)は、適応パラダイム、表現の粒度、疾患の意味的関係に対処する統合フレームワークである。 MVSLは、視覚的およびテキスト的エンコーダの適応を分離し、それぞれの表現特性を尊重する。 さらに、グローバルなイメージセマンティクスと局所的な病変レベルの証拠の両方を明示的にモデル化するために、多粒性コントラスト学習を導入する。 MVSLは、いくつかのショットとゼロショットの分類設定において、最先端のメソッドを一貫して上回る。
  論文  参考訳（メタデータ） (2026-04-27T02:41:27Z)
• CoRe-ECG: Advancing Self-Supervised Representation Learning for 12-Lead ECG via Contrastive and Reconstructive Synergy [37.81373064028234]
  コントラスト的かつ再構成的な事前学習パラダイムであるCoRe-ECGを提案する。 CoRe-ECGは、再構成中にグローバルな表現を整列し、インスタンスレベルの識別信号によって局所的な波形回復を導出する。 本手法は,複数のダウンストリームECGデータセットにまたがる最先端の性能を実現する。
  論文  参考訳（メタデータ） (2026-04-13T11:56:43Z)
• NeuroSymb-MRG: Differentiable Abductive Reasoning with Active Uncertainty Minimization for Radiology Report Generation [17.916502111955456]
  NeuroSymb-MRGは,NeuroSymbolic abductive reasoningと能動的不確実性最小化を統合し,構造的,臨床的根拠のある報告を生成する統合フレームワークである。 このシステムは、画像の特徴を確率論的臨床概念にマッピングし、異なる論理ベースの推論チェーンを構成し、それらのチェーンをテンプレート付き節にデコードし、検索と制約付き言語モデル編集を通じてテキスト出力を洗練する。
  論文  参考訳（メタデータ） (2026-03-02T11:31:30Z)
• Aligning Findings with Diagnosis: A Self-Consistent Reinforcement Learning Framework for Trustworthy Radiology Reporting [37.57009831483529]
  MLLM(Multimodal Large Language Models)は放射線学レポート生成に強い可能性を示している。 本フレームワークは, より詳細な発見のための思考ブロックと, 構造化された疾患ラベルに対する回答ブロックという, 生成を2つの異なる構成要素に再構成する。
  論文  参考訳（メタデータ） (2026-01-06T14:17:44Z)
• 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)
• Self-Supervised Anatomical Consistency Learning for Vision-Grounded Medical Report Generation [61.350584471060756]
  医用画像の臨床的に正確な記述を作成することを目的とした医用レポート生成。 本稿では, 自己監督型解剖学的一貫性学習(SS-ACL)を提案し, 生成された報告を対応する解剖学的領域と整合させる。 SS-ACLは、ヒト解剖学の不変のトップダウン包摂構造にインスパイアされた階層的な解剖学的グラフを構築する。
  論文  参考訳（メタデータ） (2025-09-30T08:59:06Z)
• DiSSECT: Structuring Transfer-Ready Medical Image Representations through Discrete Self-Supervision [9.254163621425727]
  DiSSECTはSSLパイプラインにマルチスケールベクトル量子化を統合するフレームワークで、離散的な表現ボトルネックを課す。 分類タスクとセグメンテーションタスクの両方で強力なパフォーマンスを実現し、微調整は最小か不要である。 複数の公開医用画像データセットにまたがってDiSSECTを検証し、その堅牢性と一般化性を示す。
  論文  参考訳（メタデータ） (2025-09-23T07:58:21Z)
• 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)
• Neighbour Consistency Guided Pseudo-Label Refinement for Unsupervised Person Re-Identification [80.98291772215154]
  教師なしの人物再識別(ReID)は、アノテーションを使わずに人物検索のための識別的アイデンティティの特徴を学習することを目的としている。 近年の進歩はクラスタリングに基づく擬似ラベルを活用することで実現されている。 本稿では, Pseudo Label Refinement フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-11-30T09:39:57Z)
• Transductive CLIP with Class-Conditional Contrastive Learning [68.51078382124331]
  雑音ラベル付き分類ネットワークをスクラッチから学習するための新しいフレームワークであるTransductive CLIPを提案する。 擬似ラベルへの依存を軽減するために,クラス条件のコントラスト学習機構を提案する。 アンサンブルラベルは、ノイズラベル付きディープニューラルネットワークのトレーニングを安定化するための擬似ラベル更新戦略として採用されている。
  論文  参考訳（メタデータ） (2022-06-13T14:04:57Z)

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。