論文の概要: Towards end-to-end LLM-based censoring-aware survival analysis

• arxiv url: http://arxiv.org/abs/2605.25399v1
• Date: Mon, 25 May 2026 03:45:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-26 19:50:19.27798
• Title: Towards end-to-end LLM-based censoring-aware survival analysis
• Title（参考訳）: エンド・ツー・エンド LLM による検閲認識サバイバル分析に向けて
• Authors: Yishu Wei, Hexin Dong, Yi Lin, Jiahe Qian, Yi Liu, Yifan Peng,
• Abstract要約: 大規模言語モデル(LLM)は、検閲によって教師付き微調整が防止されるため、エンドツーエンドサバイバルモデルとしてはほとんど使われない。 本稿では,検閲を意識した生存分析を可能にするフレームワークであるLLMSurvivalを紹介する。
• 参考スコア（独自算出の注目度）: 12.816095103727724
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Objective: Survival analysis is central to medical prediction, yet large language models (LLMs) are rarely used as end-to-end survival models because censoring prevents straightforward supervised fine-tuning. Here we present LLMSurvival, a framework that enables censoring-aware survival analysis with unmodified LLMs operating directly on tabular clinical data. Materials and Methods: LLMSurvival reformulates time-to-event prediction as pairwise ranking among comparable subjects, and derives test-time risk by aggregating comparisons against anchor individuals from the training cohort. Results: Across two clinical tasks (ICU mortality prediction in MIMIC-IV and fragility fracture prediction in a NewYork-Presbyterian/Weill Cornell Medicine cohort), LLMSurvival improves overall concordance over Cox proportional hazards modeling by 3.1% for ICU mortality and 0.5% for fracture risk, 2.1% on average for ICU mortality and 2.8% for fracture risk over three established deep learning survival models. Discussion: The results show that survival modeling with censoring can be made compatible with LLM fine-tuning through comparison-based reformulation. The framework demonstrates high portability and superior performance over expert curated scores like SAPS-II and FRAX scores across diverse clinical context. Furthermore, the framework supports local deployment, as compact, publicly available base models provide sufficient performance. Conclusion: The LLMSurvival framework serves as a proof of concept for an integrated, censoring-conscious approach to survival analysis via LLMs.
• Abstract（参考訳）: 目的: サバイバル分析は医学的予測の中心であるが、検閲によって監督された微調整が防止されるため、大規模言語モデル(LLM)がエンドツーエンドサバイバルモデルとして使われることは滅多にない。 ここではLLMSurvivalについて述べる。LLMSurvivalは、表型臨床データを直接操作する未修正LLMを用いて、検閲を意識した生存分析を可能にするフレームワークである。 素材と方法:LLMSurvivalは、比較対象のペアワイズランキングとしてタイム・ツー・イベントの予測を再構成し、トレーニングコホートからアンカー個人との比較を集約することでテスト時間リスクを導出する。 結果:MIMIC-IVにおけるICU死亡予測とNewYork-Presbyterian/Weill Cornell Medicineコホートにおける脆性破壊予測)とLLMSurvivalは,ICU死亡率3.1%,骨折リスク0.5%,ICU死亡率2.1%,3つの確立された深層学習生存率2.8%に対して,Cox比例的ハザードモデル全体の適合性を改善する。 考察: 研究結果から, 検閲によるサバイバルモデリングは, 比較に基づく修正により, LLMの微調整と互換性があることが示唆された。 このフレームワークは、SAPS-IIやFRAXといった専門的な評価スコアよりも高いポータビリティと優れたパフォーマンスを示す。 さらに、このフレームワークは、コンパクトで一般公開されたベースモデルが十分なパフォーマンスを提供するため、ローカルデプロイメントをサポートする。 結論: LLMSurvival フレームワークは LLM による生存分析への統合的で検閲を意識したアプローチの実証として機能する。

関連論文リスト

• EviCare: Enhancing Diagnosis Prediction with Deep Model-Guided Evidence for In-Context Reasoning [62.61394722212386]
  EviCareは、大規模言語モデルにディープモデルガイダンスを統合する、コンテキスト内推論フレームワークである。 LLMのみのベースラインと深層モデルのみのベースラインを2つの実世界のEHRベンチマークで連続的に上回っている。
  論文  参考訳（メタデータ） (2026-04-12T04:35:14Z)
• 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)
• PREBA: Surgical Duration Prediction via PCA-Weighted Retrieval-Augmented LLMs and Bayesian Averaging Aggregation [51.96735866702332]
  PreBAはPCA重み付き検索とベイズ平均アグリゲーションを統合した検索拡張フレームワークである。 例えば、PreBAはパフォーマンスを大幅に改善し、MAEを最大40%削減し、ゼロショット推論でR2を-0.13から0.62に引き上げる。
  論文  参考訳（メタデータ） (2026-02-27T07:19:23Z)
• Case Prompting to Mitigate Large Language Model Bias for ICU Mortality Prediction [17.91443453604627]
  大規模言語モデル(LLM)は、構造化された医療データから結果を予測することを約束している。 LLMは性、年齢、人種に関する人口統計バイアスを示し、臨床実践における信頼に値する使用を制限することができる。 本研究では,公正さとパフォーマンスを同時に向上するトレーニングフリー,臨床適応型プロンプトフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-12-17T12:29:53Z)
• Methodology for Comparing Machine Learning Algorithms for Survival Analysis [55.65997641180011]
  生存分析のための6つの機械学習モデルを評価した。 XGB-AFTは最高性能(C-Index = 0.7618; IPCW = 0.7532、GBSAとRCF)を達成した。
  論文  参考訳（メタデータ） (2025-10-28T14:42:28Z)
• OncoReason: Structuring Clinical Reasoning in LLMs for Robust and Interpretable Survival Prediction [2.904892426557913]
  大規模言語モデル (LLM) は, バイオメディカルNLPにおいて高い性能を示した。 本稿では,自己回帰型LPMと結果予測のための臨床推論を整合させる,統合型マルチタスク学習フレームワークを提案する。 マルチタスク・クリニカル・モデリングにおける推論・アライメントの重要性について検討した。
  論文  参考訳（メタデータ） (2025-10-20T13:35:12Z)
• Penalized Deep Partially Linear Cox Models with Application to CT Scans of Lung Cancer Patients [42.09584755334577]
  肺がんは世界中のがん死亡の原因であり、効果的な治療法を設計するための死亡リスクを理解することの重要性を強調している。 NLST(National Lung Screening Trial)は、肺がん患者の死亡リスクを定量化するために、CTテクスチャ解析を用いている。 本稿では,SCADペナルティを組み込んで重要なテクスチャ特徴を抽出し,深層ニューラルネットワークを用いてモデルの非パラメトリック成分を推定する,Pentalized Deep partially Linear Cox Model (Penalized DPLC)を提案する。
  論文  参考訳（メタデータ） (2023-03-09T15:38:16Z)
• WRSE -- a non-parametric weighted-resolution ensemble for predicting individual survival distributions in the ICU [0.251657752676152]
  集中治療室(ICU)における死亡リスクの動的評価は、患者を階層化し、治療効果を知らせたり、早期警戒システムの一部として機能したりすることができる。 現状の確率モデルと競合する結果を示すとともに,2～9倍のトレーニング時間を大幅に短縮する。
  論文  参考訳（メタデータ） (2020-11-02T10:13:59Z)

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。