論文の概要: QDSP: An Interpretable Structured Learning Framework for Predicting Death or Cerebral Palsy in Very Low Birth Weight Infants

• arxiv url: http://arxiv.org/abs/2606.07606v1
• Date: Fri, 29 May 2026 10:49:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-15 07:09:36.772214
• Title: QDSP: An Interpretable Structured Learning Framework for Predicting Death or Cerebral Palsy in Very Low Birth Weight Infants
• Title（参考訳）: QDSP:極低出生体重児における死亡・脳性麻痺の予測のための解釈可能な構造化学習フレームワーク
• Abstract要約: 極低出生体重児(VLBWI)は、死亡率と重度の神経発達障害のリスクが高い。 本稿では,Quota-guided Subspace Smpling(QSS)とDSP(diffariable-decision-guided Structure Perception)を統合した構造化学習フレームワークQDSPを提案する。 提案フレームワークは,51人の乳児からなる実世界のVLBWIコホートを用いて評価し,さらに3つの公開医療データセットで検証した。
• 参考スコア（独自算出の注目度）: 20.251955206486212
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Very low birth weight infants (VLBWI) are at high risk of mortality and severe neurodevelopmental impairment, including cerebral palsy, yet reliable discharge-time prognostic stratification remains challenging in high-dimensional and data-limited clinical settings. To address this problem, we propose QDSP, an interpretable structured learning framework that integrates Quota-guided Subspace Sampling (QSS) and Differentiable-decision-guided Structure Perception (DSP). The QSS module constructs stability-aware and low-redundancy feature subspaces through bootstrap-based feature consistency estimation, whereas the DSP module employs differentiable soft oblique decision structures to model nonlinear clinical interactions while preserving traceable decision evidence. The proposed framework was evaluated on a real-world VLBWI cohort comprising 51 infants and further validated on three public medical tabular datasets. On the primary cohort, QDSP achieved an accuracy of 0.9200 and an AUC of 0.9714, outperforming representative machine learning and deep tabular learning baselines, including XGBoost, TabNet, and TabPFN. Across external datasets, QDSP maintained competitive discrimination and calibration under varying sample sizes and clinical distributions. In addition, SHAP-based analyses and differentiable decision-path tracing identified clinically relevant predictors, including cystic periventricular leukomalacia (cPVL) and birth weight, consistent with established neonatal pathophysiological evidence. These results suggest that QDSP provides an interpretable and robust framework for discharge-time risk stratification in VLBWI and may support early individualized clinical decision-making in neonatal intensive care settings.
• Abstract（参考訳）: 超低出生体重児(VLBWI)は、脳性麻痺を含む重度の神経発達障害のリスクが高いが、高次元およびデータ制限のある臨床環境では、信頼できる退院時間予後の成層化が困難である。 そこで本研究では,Quota-guided Subspace Sampling(QSS)とDSP(diffariable-decision-guided Structure Perception)を統合した,解釈可能な構造化学習フレームワークQDSPを提案する。 QSSモジュールはブートストラップに基づく特徴整合性推定によって安定性を意識した低冗長な特徴部分空間を構築する一方、DSPモジュールは、追跡可能な決定証拠を保持しながら非線形臨床相互作用をモデル化するために、微分可能なソフト斜め決定構造を用いる。 提案フレームワークは,51人の乳児からなる実世界のVLBWIコホートを用いて評価し,さらに3つの公開医療表表データセットで検証した。 一次コホートでは、QDSPは0.9200の精度と0.9714のAUCを達成し、XGBoost、TabNet、TabPFNなどの代表的な機械学習と深い表層学習ベースラインを上回った。 外部データセット全体で、QDSPは、様々なサンプルサイズと臨床分布の下で、競争上の差別と校正を維持した。 さらに, SHAPによる解析および決定パス追跡により, 嚢胞性心室中ロイコマラシア (cPVL) や出生体重などの臨床関連因子が同定された。 以上の結果から,QDSPはVLBWIにおける退院時リスク階層化のための解釈可能かつ堅牢な枠組みを提供し,新生児集中治療における早期の個別化臨床意思決定を支援する可能性が示唆された。

関連論文リスト

• NeoRed: A Knowledge-Logic-Alignment Multimodal Large Language Model for Neonatal Respiratory Disease Diagnosis [51.033331232872094]
  新生児呼吸器疾患は、新生児の死亡と死亡の主な原因である。 既存のMLLM(Multimodal Large Language Models)は、新生児診断において2つの重要な限界に直面している。 我々は,新生児呼吸器疾患に適応した最初のMLLMであるNeoRedを提案する。
  論文  参考訳（メタデータ） (2026-09-03T08:24:38Z)
• PsyBridge: A Hybrid Intelligent Framework for Multi-Dimensional Mental Health Assessment and Decision Support [1.9997316347067056]
  PsyBridgeは多次元のメンタルヘルスアセスメントのために設計された、ハイブリッドなインテリジェントな意思決定支援フレームワークである。 提案フレームワークは,認知・行動指標とともにPHQ-9およびGAD-7アセスメントを組み込んだ。
  論文  参考訳（メタデータ） (2026-06-22T17:57:15Z)
• Cohort-Anchored Foundation Models for Electronic Health Records: From Risk Scores to Auditable Peer Cohorts [3.299672391663527]
  本稿では,患者コホートを学習パイプライン全体を通じて一級対象に高めるためのコホート・アンコレッド財団モデルフレームワークを提案する。 このフレームワークは、偏差認識データキュレーション、コホート条件付きプレトレーニング、マルチモーダルコホートアライメント、クリニアン・イン・ザ・ループ・リファインメントの4つのステージで構成されている。 心電図による急性腎傷害予測,心血管性リスク層形成,眼神経障害三徴症,網膜電図による報告の4つの臨床症例について検討した。
  論文  参考訳（メタデータ） (2026-06-20T05:14:43Z)
• Beyond Prompt: Fine-grained Simulation of Cognitively Impaired Standardized Patients via Stochastic Steering [58.85421622061983]
  認知障害患者の微粒化シミュレーションのためのStsPatientを提案する。 対照的な命令と応答のペアからステアリングベクトルを抽出することにより、ドメイン固有の特徴を捉える。 StsPatientは、臨床の信頼性と重症度の両方において、ベースラインを著しく上回る。
  論文  参考訳（メタデータ） (2026-04-14T02:37:46Z)
• DISCO-TAB: A Hierarchical Reinforcement Learning Framework for Privacy-Preserving Synthesis of Complex Clinical Data [2.3915781021862332]
  DISCO-TABは、Reinforcement Learningによって最適化された多目的識別器システムを用いて、微調整LDMをオーケストレーションする新しいフレームワークである。 私たちは、高次元の小さな医療データセットを含むさまざまなベンチマークで、私たちのフレームワークを厳格に検証しています。 以上の結果から, 階層的フィードバックは最先端の成果をもたらすことが示され, 下流の臨床的有用性は最大38.2%向上した。
  論文  参考訳（メタデータ） (2026-04-01T23:37:58Z)
• Predicting Neuromodulation Outcome for Parkinson's Disease with Generative Virtual Brain Model [95.41752463487008]
  パーキンソン病は世界中で1千万人以上に影響している。 個人間変異は経験的治療の選択を制限し、非無視的な外科的リスクとコストを増大させる。 我々は、このギャップをトレーニング済みのファインタニングフレームワークで埋めて、静止状態fMRIから直接結果を予測する。
  論文  参考訳（メタデータ） (2026-03-31T02:36:10Z)
• Evidential Perfusion Physics-Informed Neural Networks with Residual Uncertainty Quantification [1.96119233299268]
  Evidential Perfusion Physics-Informed Neural Networks (EPPINN) を提案する。 EPPINNは、古典的なデコンボリューションやPINNベースラインよりも低い正規化平均絶対誤差を達成する。 臨床データでは、EPPINNは、最も高いボクセルレベルおよびケースレベルの梗塞コア検出感度を達成している。
  論文  参考訳（メタデータ） (2026-03-10T08:39:34Z)
• Ocular-Induced Abnormal Head Posture: Diagnosis and Missing Data Imputation [1.7061463565692456]
  AHP(Acular-induced abnormal head posture)は、眼疾患から生じる補充機構である。 本研究では,2つの相補的なディープラーニングフレームワークを通じて,両課題に対処する。 AHP-CADNetは自動診断のための多層注意融合フレームワークである。 カリキュラムベースの計算フレームワークは、欠落したデータを緩和するために設計されている。
  論文  参考訳（メタデータ） (2025-10-07T07:51:59Z)
• SpineBench: A Clinically Salient, Level-Aware Benchmark Powered by the SpineMed-450k Corpus [39.664918145306366]
  松葉病は全世界で6億1919万人に影響を及ぼし、障害の主な原因となっている。 SpineMedは、脊椎外科医を実践するエコシステムである。 SpineMed-450kは、脊椎レベルの推論のために明示的に設計された最初の大規模データセットである。
  論文  参考訳（メタデータ） (2025-10-03T16:32:02Z)
• Embeddings to Diagnosis: Latent Fragility under Agentic Perturbations in Clinical LLMs [0.0]
  本稿では, 臨床用LDMの潜在ロバスト性について, 構造的対向編集による検討を行うLAPD (Latent Agentic Perturbation Diagnostics) を提案する。 本フレームワークでは,PCA-Reduced Latent Spaceにクロス決定境界を埋め込む際に,表現不安定性を捉えるモデルに依存しない診断信号であるLatent Diagnosis Flip Rate (LDFR)を導入する。 その結果, 表面の堅牢性とセマンティック安定性の間には, 安全クリティカルな臨床AIにおける幾何学的監査の重要性を浮き彫りにした。
  論文  参考訳（メタデータ） (2025-07-27T16:48:53Z)
• Quantifying Robustness: A Benchmarking Framework for Deep Learning Forecasting in Cyber-Physical Systems [44.61435605872856]
  我々は,産業用CPSに合わせて,分散ロバスト性に基づく実用的ロバスト性定義を導入する。 本フレームワークは,センサドリフト,ノイズ,不規則サンプリングなどの現実的な乱れをシミュレートし,予測モデルの徹底的なロバスト性解析を可能にする。
  論文  参考訳（メタデータ） (2025-04-04T14:50:48Z)
• SemioLLM: Evaluating Large Language Models for Diagnostic Reasoning from Unstructured Clinical Narratives in Epilepsy [45.2233252981348]
  臨床知識を符号化するための言語モデル(LLM)が示されている。 6つの最先端モデルをベンチマークする評価フレームワークであるSemioLLMを提案する。 ほとんどのLSMは、脳内の発作発生領域の確率的予測を正確かつ確実に生成できることを示す。
  論文  参考訳（メタデータ） (2024-07-03T11:02:12Z)
• Towards Reliable Medical Image Segmentation by Modeling Evidential Calibrated Uncertainty [57.023423137202485]
  医用画像のセグメンテーションの信頼性に関する懸念が臨床医の間で続いている。 本稿では,医療画像セグメンテーションネットワークにシームレスに統合可能な,実装が容易な基礎モデルであるDEviSを紹介する。 主観的論理理論を活用することで、医用画像分割の確率と不確実性を明示的にモデル化する。
  論文  参考訳（メタデータ） (2023-01-01T05:02:46Z)
• Leveraging Clinically Relevant Biometric Constraints To Supervise A Deep Learning Model For The Accurate Caliper Placement To Obtain Sonographic Measurements Of The Fetal Brain [0.0]
  経小脳平面(TC)の2次元USG画像から3つの重要な胎児脳バイオメトリーを計算するための深層学習(DL)手法を提案する。 U-Net DLモデルの精度を向上させるために,臨床的に関連するバイオメトリック制約(校正点間の関連性)とドメイン関連データ拡張を利用した。 いずれの場合も、個々のカリパーポイントの配置における平均誤差と計算されたバイオメトリーは、臨床医の誤差率に匹敵するものであった。
  論文  参考訳（メタデータ） (2022-03-28T04:00:22Z)

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。