論文の概要: CLIC: Contextual Language-Informed Cardiac Pathology Classification

• arxiv url: http://arxiv.org/abs/2605.19132v1
• Date: Mon, 18 May 2026 21:31:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-20 15:03:08.998724
• Title: CLIC: Contextual Language-Informed Cardiac Pathology Classification
• Title（参考訳）: CLIC: 文脈言語インフォームド心臓病理分類
• Authors: Giovani D. Lucafo, Rafael da Costa Silva, João Lucas Luz Lima Sarcinelli, Andre Guarnier De Mitri, Diego Furtado Silva,
• Abstract要約: 心臓科医は、患者の特徴と特定のデータ取得コンテキストとの解釈を一般的に支持する。 本稿では文脈言語インフォームド心臓病理分類(CLIC)を提案する。 CLICは、自然言語を通じてこれらの変数を符号化することで診断精度を大幅に向上するマルチモーダルフレームワークである。
• 参考スコア（独自算出の注目度）: 0.9270170611697144
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The electrocardiogram (ECG) is the gold standard for non-invasive diagnosis of cardiac pathologies and is a fundamental pillar of cardiovascular medicine. Recent progress in deep learning has led to the development of robust automated classifiers that achieve high performance by processing raw physiological signals. However, in clinical practice, diagnosis is rarely based solely on the signal. Cardiologists commonly support their interpretation with the patient's characteristics and the specific data-acquisition context. Despite this, most current algorithms remain restricted to signal-only analysis, failing to integrate technical metadata and demographic variables. This paper proposes Contextual Language-Informed Cardiac pathology classification (CLIC), a multimodal framework that significantly enhances diagnostic precision by encoding these variables through natural language. We demonstrate that translating patient-level contextual data into descriptive text provides an informative anchor that helps the model disambiguate complex physiological patterns. We further investigate the use of Large Language Models to synthesize richer clinical descriptions and observe that, while these generated texts remain competitive, controlled template-based contextual clinical text leads to consistent improvements in downstream classification performance.
• Abstract（参考訳）: 心電図(ECG)は、心疾患の非侵襲診断における金の標準であり、心血管医学の基本的な柱である。 近年, 深層学習の進歩により, 生の生理的信号を処理し, 高い性能を達成できるロバスト自動分類器の開発が進んでいる。 しかし、臨床実践においては、診断は信号のみに基づいて行われることはめったにない。 心臓科医は、患者の特徴と特定のデータ取得コンテキストとの解釈を一般的に支持する。 しかし、現在のアルゴリズムのほとんどは信号のみの分析に限られており、技術的なメタデータと人口統計学の変数を統合できない。 本稿では,これらの変数を自然言語で符号化することで診断精度を大幅に向上させるマルチモーダルフレームワークであるコンテキスト言語インフォームド心臓病理分類(CLIC)を提案する。 患者レベルの文脈データを記述テキストに変換することで、モデルが複雑な生理的パターンを曖昧にするのに役立つ情報アンカーが提供されることを実証する。 さらに、よりリッチな臨床記述を合成するためのLarge Language Modelsの使用について検討し、これらの生成したテキストが競争力を維持しながら、制御されたテンプレートベースの文脈的臨床テキストが下流分類性能を一貫した改善をもたらすことを観察する。

関連論文リスト

• Multimodal Graph-based Classification of Esophageal Motility Disorders [73.90451172929117]
  食道運動障害の診断は,高分解能インピーダンス測定データの複雑化と臨床解釈の多様性が原因で大きな課題となる。 本研究は,HRIM記録と患者固有の情報を組み合わせたマルチモーダル機械学習に基づく分類手法の実現可能性について検討し,食道生理学のグラフベースモデリングを取り入れた。
  論文  参考訳（メタデータ） (2026-05-13T14:52:12Z)
• UniPACT: A Multimodal Framework for Prognostic Question Answering on Raw ECG and Structured EHR [15.533178197005208]
  本稿では,このモダリティギャップを橋渡しする確率的質問に対する統一的な枠組みを提案する。 UniPACTのコアコントリビューションは、数値EHRデータを意味的にリッチなテキストに変換する構造化プロンプト機構である。 総合的なMDS-EDベンチマークで評価し、最先端のAUROCの89.37%を様々な予後タスクで達成した。
  論文  参考訳（メタデータ） (2026-01-25T17:35:52Z)
• A Semantically Enhanced Generative Foundation Model Improves Pathological Image Synthesis [82.01597026329158]
  本稿では,組織合成のための相関調整フレームワーク(CRAFTS)について紹介する。 CRAFTSは、生物学的精度を確保するためにセマンティックドリフトを抑制する新しいアライメント機構を組み込んでいる。 本モデルは,30種類の癌にまたがる多彩な病理像を生成する。
  論文  参考訳（メタデータ） (2025-12-15T10:22:43Z)
• Clinical NLP with Attention-Based Deep Learning for Multi-Disease Prediction [44.0876796031468]
  本稿では,電子健康記録テキストの非構造的性質と高次元意味論的複雑さがもたらす課題について論じる。 情報抽出と多ラベル病予測のための統合モデリングを実現するために,注意機構に基づく深層学習手法を提案する。
  論文  参考訳（メタデータ） (2025-07-02T07:45:22Z)
• Refine Medical Diagnosis Using Generation Augmented Retrieval and Clinical Practice Guidelines [16.56254046507092]
  GARMLE-Gは、医療用言語モデルの出力を権威的ガイドラインに根拠づけた、世代別検索フレームワークである。 従来のRetrieval-Augmented Generationベースのアプローチとは異なり、GARMLE-Gは権威的なガイドラインコンテンツを直接検索することで幻覚のない出力を可能にする。 高血圧診断のためのプロトタイプシステムを開発し, 検索精度, 意味的関連性, 臨床ガイドラインの適合性を実証した。
  論文  参考訳（メタデータ） (2025-06-22T11:31:13Z)
• Bringing CLIP to the Clinic: Dynamic Soft Labels and Negation-Aware Learning for Medical Analysis [0.9944647907864256]
  臨床的に強化されたダイナミック・ソフト・ラベルと医用グラフィカル・アライメントを統合した新しいアプローチを提案する。 われわれのアプローチは、医療用CLIPトレーニングパイプラインに容易に統合され、最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2025-05-28T08:00:18Z)
• Towards Scalable and Cross-Lingual Specialist Language Models for Oncology [4.824906329042275]
  汎用大規模モデル(LLM)は、臨床用語、文脈に依存した解釈、マルチモーダルデータ統合といった課題に対処する。 本研究では,教師調律,検索強化生成(RAG),グラフベースの知識統合を組み合わせた,オンコロジー特化,効率的,適応可能なNLPフレームワークを開発する。
  論文  参考訳（メタデータ） (2025-03-11T11:34:57Z)
• Uncertainty-aware Medical Diagnostic Phrase Identification and Grounding [72.18719355481052]
  MRG(Messical Report Grounding)と呼ばれる新しい課題について紹介する。 MRGは医療報告から診断フレーズとその対応する接地箱を直接エンドツーエンドで識別することを目的としている。 マルチモーダルな大規模言語モデルを用いて診断フレーズを予測する,堅牢で信頼性の高いフレームワークである uMedGround を提案する。
  論文  参考訳（メタデータ） (2024-04-10T07:41:35Z)
• Cross-Lingual Knowledge Transfer for Clinical Phenotyping [55.92262310716537]
  本稿では,英語を使わないクリニックに対して,このタスクを実行するための言語間知識伝達戦略について検討する。 ギリシャ語とスペイン語のクリニックに対して,異なる臨床領域のクリニカルノートを活用して,これらの戦略を評価する。 以上の結果から,多言語データを用いることで,臨床表現型モデルが改善され,データの疎度を補うことが可能であることが示唆された。
  論文  参考訳（メタデータ） (2022-08-03T08:33:21Z)
• Towards more patient friendly clinical notes through language models and ontologies [57.51898902864543]
  本稿では,単語の単純化と言語モデリングに基づく医療用テキストの自動作成手法を提案する。 我々は,公開医療文のデータセットペアと,臨床医による簡易化版を用いている。 本手法は,医学フォーラムデータに基づく言語モデルを用いて,文法と本来の意味の両方を保存しながら,より単純な文を生成する。
  論文  参考訳（メタデータ） (2021-12-23T16:11:19Z)

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。