論文の概要: From Prediction to Intervention: The Evolution of AI in Biomedicine

• arxiv url: http://arxiv.org/abs/2605.16293v1
• Date: Tue, 14 Apr 2026 17:49:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-25 12:34:33.865407
• Title: From Prediction to Intervention: The Evolution of AI in Biomedicine
• Title（参考訳）: 予測から介入へ:生物医学におけるAIの進化
• Authors: Andrew Feinberg, Aleksandr Sarachakov, Viktor Svekolkin, Alexander Bagaev, Ferran Prat, Michael Feinberg,
• Abstract要約: バイオメディシンにおけるAIは、構造的移行の段階にあると我々は主張する。 我々は、生物学的プロセスの状態、ダイナミクス、介入応答を明確に表すシステムとして、疾患レベルモデルを定義します。 バイオメディカルな意思決定の構造から直接従い、医学におけるAIの次の段階を定義する。
• 参考スコア（独自算出の注目度）: 67.45502291821956
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Artificial intelligence has advanced rapidly in biomedicine through large-scale multimodal data integration, enabling increasingly accurate prediction of clinical outcomes and patient stratification. These systems, however, remain fundamentally observational: they learn statistical associations from historical data and operate within previously observed biological and clinical states, limiting their ability to generalize to novel therapies or unobserved interventions. We argue that AI in biomedicine is undergoing a structural transition. As biomedical decision-making increasingly depends on reasoning about intervention rather than extrapolation from past observations, predictive architectures become structurally insufficient. Systems that learn from historical data cannot, by construction, represent how biological systems evolve under perturbation, and therefore cannot reliably support decision-making in the presence of novel interventions. We introduce a conceptual framework distinguishing observational and interventional intelligence and define disease-level models as systems that explicitly represent the state, dynamics, and intervention response of biological processes. These models enable a shift from inference to simulation -- reasoning about what will happen under intervention rather than what is likely based on the past. This transition also implies a shift in where value is created: from data processing and prediction toward systems that support and define decision-making under intervention. It follows directly from the structure of biomedical decision-making and defines the next stage of AI in medicine. Systems that cannot model intervention will be structurally excluded from decision-making.
• Abstract（参考訳）: 人工知能は、大規模なマルチモーダルデータ統合を通じて、バイオメディシンにおいて急速に進歩し、臨床結果の正確な予測と患者層化を可能にしている。 これらのシステムは、歴史的データから統計的関連を学習し、これまで観察された生物学的および臨床的状態の中で活動し、新しい治療法や保存されていない介入に一般化する能力を制限している。 バイオメディシンにおけるAIは、構造的移行の段階にあると我々は主張する。 生物医学的な意思決定は、過去の観察から外挿ではなく介入についての推論にますます依存するため、予測アーキテクチャは構造的に不十分になる。 歴史的データから学習するシステムは、建設によって生物学的システムが摂動の下でどのように進化するかを表現することができず、従って、新しい介入が存在する場合の意思決定を確実に支援することはできない。 本稿では, 生物学的プロセスの状態, 動態, 介入応答を明示するシステムとして, 観察的および介入的インテリジェンスを区別する概念的枠組みを導入する。 これらのモデルによって、推論からシミュレーションへの移行が可能になります。 この移行はまた、データ処理や予測から、介入中の意思決定をサポートし、定義するシステムへと、価値が生み出される場所のシフトを意味する。 バイオメディカルな意思決定の構造から直接従い、医学におけるAIの次の段階を定義する。 介入をモデル化できないシステムは、構造的に意思決定から除外される。

関連論文リスト

• From Static Risk to Dynamic Trajectories: Toward World-Model-Inspired Clinical Prediction [61.12883122613684]
  本稿では, 患者固有の縦断疾患の進展を推定し, 代替治療下での軌跡変化を評価するための, 臨床AIにおける介入認識型疾患軌跡モデリングに焦点をあてる。 3つの意思決定タスク(実測,反実推定,政策評価)と3つのデータ生成機構(障害発生, 治療課題, 観察過程)によって, 識別可能性を決定する。 本稿では,個別/連続時間にまたがる予測,反ファクト的軌跡,政策評価の統一的な枠組みを提案する。
  論文  参考訳（メタデータ） (2026-05-16T10:45:26Z)
• Medical Model Synthesis Architectures: A Case Study [72.46211022258122]
  現在のAIシステムは、不確実性の下で調整された推論に苦労している。 我々は,不確実性の下で,現実的に有用だが公式に透過的な臨床予測を行うことができるAIシステムのためのフレームワークを提案する。 このフレームワークの最初の概念実証は、どのようにして差分診断に利用できるかを示す。
  論文  参考訳（メタデータ） (2026-05-10T19:30:16Z)
• CLARITY: Medical World Model for Guiding Treatment Decisions by Modeling Context-Aware Disease Trajectories in Latent Space [49.74032713886216]
  CLARITYは、構造化潜在空間内で直接疾患の進化を予測する医療世界モデルである。 時間間隔(時間的文脈)と患者固有のデータ(臨床的文脈)を明確に統合し、スムーズで解釈可能な軌跡として治療条件の進行をモデル化する。
  論文  参考訳（メタデータ） (2025-12-08T20:42:10Z)
• Advancing Embodied Intelligence in Robotic-Assisted Endovascular Procedures: A Systematic Review of AI Solutions [27.68772584578631]
  エボディード・インテリジェンスとロボットシステムの統合は、パラダイムシフトを表している。 データ駆動型アプローチ、高度なコンピュータビジョン、医用画像分析、機械学習技術は、この進化の最前線にある。 知的知覚とデータ駆動制御の最近の進歩とロボット支援手順における実践的応用について論じる。
  論文  参考訳（メタデータ） (2025-04-21T13:49:30Z)
• No Foundations without Foundations -- Why semi-mechanistic models are essential for regulatory biology [5.925258390690544]
  規制生物学の真の「基礎モデル」は、機械的洞察を原理化された実験設計と統合するフレームワークによってガイドされない限り、手の届かないままである、と我々は主張する。 本稿では、摂動に基づく実験設計を統一する基礎的な半機械的枠組みを提案する。
  論文  参考訳（メタデータ） (2025-01-31T14:43:16Z)
• Benchmarking Heterogeneous Treatment Effect Models through the Lens of Interpretability [82.29775890542967]
  治療のパーソナライズされた効果を見積もるのは複雑だが、普及している問題である。 ヘテロジニアス処理効果推定に関する機械学習文献の最近の進歩は、洗練されたが不透明なツールの多くを生み出した。 我々は、ポストホックな特徴重要度法を用いて、モデルの予測に影響を及ぼす特徴を特定する。
  論文  参考訳（メタデータ） (2022-06-16T17:59:05Z)
• COVID-Net Biochem: An Explainability-driven Framework to Building Machine Learning Models for Predicting Survival and Kidney Injury of COVID-19 Patients from Clinical and Biochemistry Data [66.43957431843324]
  我々は、機械学習モデルを構築するための汎用的で説明可能なフレームワークであるCOVID-Net Biochemを紹介する。 この枠組みを用いて、新型コロナウイルス患者の生存率と、入院中に急性腎不全を発症する可能性を予測する。
  論文  参考訳（メタデータ） (2022-04-24T07:38:37Z)

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。