論文の概要: Tabular Foundation Models for Clinical Survival Analysis via Survival-Aware Adaptation

• arxiv url: http://arxiv.org/abs/2606.12006v1
• Date: Wed, 10 Jun 2026 12:28:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-11 16:42:38.448368
• Title: Tabular Foundation Models for Clinical Survival Analysis via Survival-Aware Adaptation
• Title（参考訳）: 生存意識適応による臨床生存分析のためのタブラリ基礎モデル
• Authors: Minh-Khoi Pham, Luca Cotugno, Alina Sirbu, Tai Tan Mai, Martin Crane, Marija Bezbradica,
• Abstract要約: 臨床生存分析に表層基礎モデルを適用するための軽量適応手法を提案する。 我々は、マルチタスクのロジスティック回帰ヘッドを用いて、右チャージされた時間-時間-結果の結果をモデル化する。 以上の結果から,このトランスファー学習手法は,強いベースラインに比べて,競争力や優れた性能を達成できることが示唆された。
• 参考スコア（独自算出の注目度）: 0.9565934024763957
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Predicting time-to-event outcomes such as mortality is a fundamental task in clinical decision-making, commonly addressed through survival analysis. While classical statistical and deep learning approaches have been widely studied, they typically require task-specific training and sufficient labeled data. Recent advances in tabular foundation models offer a new paradigm by learning general-purpose representations for structured data. However, their applicability to censored time-to-event prediction in clinical settings remains underexplored, as typical applications are restricted to discrete classification rather than survival analysis tasks. In this work, we propose a lightweight adaptation approach for applying tabular foundation models to clinical survival analysis by directly training a survival-aware head on top of the pretrained representations. We study representative architectures, including TabPFN, TabDPT, and TabICL, and adapt them using a multi-task logistic regression (MTLR) head to model right-censored time-to-event outcomes. We evaluate this approach on a diverse set of public survival benchmarks and two large-scale ICU cohorts, MIMIC-IV and eICU. Our results show that this transfer learning approach achieves competitive or superior performance compared to strong baselines. On MIMIC-IV, TabDPT-FT-MTLR reaches a C-index of 0.856, corresponding to a relative improvement of +1.4% over the best non-FM baseline (DeepSurv, 0.844) and +6.7% over the best zero-shot model (0.802). On eICU, TabICL-FT-MTLR achieves 0.797, yielding gains of +1.7% (DeepSurv, 0.784) and +6.4% (0.749), respectively. These findings highlight the importance of combining pretrained tabular representations with survival-aware objectives and suggest that tabular foundation models provide a practical and effective alternative for clinical survival prediction.
• Abstract（参考訳）: 死亡などの時間と結果の予測は、生存分析を通じて一般的に対処される臨床意思決定の基本的な課題である。 古典的な統計学とディープラーニングのアプローチは広く研究されているが、通常はタスク固有の訓練と十分なラベル付きデータを必要とする。 表層基礎モデルの最近の進歩は、構造化データの汎用表現を学習することによって、新しいパラダイムを提供する。 しかし, 臨床現場での時間-時間予測に対する適用性は, 生存分析タスクではなく, 個別の分類に制限されているため, 未検討のままである。 本研究では, 臨床生存分析に表層基礎モデルを適用するための軽量な適応手法を提案する。 本研究では,TabPFN,TabDPT,TabICLなどの代表的アーキテクチャについて検討し,マルチタスクロジスティック回帰(MTLR)ヘッドを用いて適応し,適切な時間対イベント結果のモデル化を行う。 本手法は,MIMIC-IVとeICUの2つの大規模ICUコホートと,多種多様な公立サバイバルベンチマークを用いて評価する。 以上の結果から,このトランスファー学習手法は,強いベースラインに比べて,競争力や優れた性能を達成できることが示唆された。 MIMIC-IVでは、TabDPT-FT-MTLRは、最高のFMベースライン(DeepSurv, 0.844)よりも+1.4%、最高のゼロショットモデル(0.802)より+6.7%の相対的な改善に対応する0.856のCインデックスに達する。 eICUでは、TabICL-FT-MTLRは0.797となり、それぞれ+1.7%(DeepSurv、0.784)と+6.4%(0.749)の利得を得た。 これらの知見は,事前訓練した表層表現と生存意識の表層表現を組み合わせることの重要性を強調し,表層基盤モデルが臨床生存予測の実用的で効果的な代替手段となることを示唆している。

関連論文リスト

• 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)
• Multimodal Deep Learning for Early Prediction of Patient Deterioration in the ICU: Integrating Time-Series EHR Data with Clinical Notes [0.0]
  集中治療室(ICU)における臨床劣化のリスクのある患者の早期発見は依然として重要な課題である。 本研究は,24時間以内の患者劣化を予測するために,構造化時系列データ(硝子体標識と実験室値)と非構造化臨床ノートを併用した多モード深層学習手法を提案する。 本アーキテクチャでは,生理的データにおける時間的パターンに対する双方向LSTMエンコーダと臨床メモのためのクリニカルBERT埋め込みを,クロスモーダルアテンション機構を通じて融合させる。
  論文  参考訳（メタデータ） (2026-03-16T01:50:08Z)
• 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)
• Latent Neural-ODE for Model-Informed Precision Dosing: Overcoming Structural Assumptions in Pharmacokinetics [3.0991186209192794]
  タクロリムスAUC予測のための遅延正規微分方程式(Latent ODE)に基づく新しいデータ駆動方式を提案する。 このディープラーニングアプローチは、疎い臨床データから個別化されたダイナミクスを直接学習する。 潜在ODEモデルは、標準的な仮定から逸脱した基盤となる生物学的メカニズムであっても、優れた堅牢性を示し、高い精度を維持した。
  論文  参考訳（メタデータ） (2026-02-03T07:30:48Z)
• Learning temporal embeddings from electronic health records of chronic kidney disease patients [5.2561388030590965]
  縦断的電子健康記録に基づいてトレーニングした時間的埋め込みモデルが,予測性能を損なうことなく臨床的に有意な表現を学習できるかどうかを検討する。 本稿では,バニラLSTM,アテンション拡張LSTM,タイムアウェアLSTMの3つのアーキテクチャを比較した。 T-LSTMはより構造的な埋め込みを生成し、より低いDavies-Bouldin Index (DBI = 9.91) と、バニラLSTMよりも高いCKDステージ分類精度 (0.74) を達成する。 ICUの死亡予測では、埋め込みモデルは終端予測よりも一貫して優れ、精度は0.72-0.75から0.82に向上した。
  論文  参考訳（メタデータ） (2026-01-26T16:50:50Z)
• Residual GRU+MHSA: A Lightweight Hybrid Recurrent Attention Model for Cardiovascular Disease Detection [1.267904597444312]
  臨床記録のためのコンパクトなディープラーニングアーキテクチャであるMulti-Head Self-Attentionを用いたResidual GRUを提案する。 5倍層状クロスバリデーションを用いたUCI心疾患データセットのモデルについて検討した。 提案モデルでは, 0.861, 0.860のマクロF1, 0.908のROC-AUC, 0.904のPR-AUCが全ベースラインを上回る精度で達成されている。
  論文  参考訳（メタデータ） (2025-12-16T16:33:59Z)
• Enhancing mortality prediction in cardiac arrest ICU patients through meta-modeling of structured clinical data from MIMIC-IV [0.0]
  本研究では、構造化された臨床データと構造化されていない情報を統合する機械学習モデルを開発し、評価する。 機能選択にはLASSOとXGBoostを使用しました。 構造化データとテキスト入力を組み合わせた最終ロジスティック回帰モデルは、構造化データのみを使用する場合の0.753に対して、0.918のAUCを達成したが、相対的な改善は22%であった。
  論文  参考訳（メタデータ） (2025-10-20T20:56:45Z)
• Predicting Length of Stay in Neurological ICU Patients Using Classical Machine Learning and Neural Network Models: A Benchmark Study on MIMIC-IV [49.1574468325115]
  本研究は、MIMIC-IVデータセットに基づく神経疾患患者を対象とした、ICUにおけるLOS予測のための複数のMLアプローチについて検討する。 評価されたモデルには、古典的MLアルゴリズム(K-Nearest Neighbors、Random Forest、XGBoost、CatBoost)とニューラルネットワーク(LSTM、BERT、テンポラルフュージョントランス)が含まれる。
  論文  参考訳（メタデータ） (2025-05-23T14:06:42Z)
• Self-supervised contrastive learning of echocardiogram videos enables label-efficient cardiac disease diagnosis [48.64462717254158]
  心エコービデオを用いた自己教師型コントラスト学習手法であるエコーCLRを開発した。 左室肥大症 (LVH) と大動脈狭窄症 (AS) の分類成績は,EchoCLR の訓練により有意に改善した。 EchoCLRは、医療ビデオの表現を学習する能力に特有であり、SSLがラベル付きデータセットからラベル効率の高い疾患分類を可能にすることを実証している。
  論文  参考訳（メタデータ） (2022-07-23T19:17:26Z)
• Bootstrapping Your Own Positive Sample: Contrastive Learning With Electronic Health Record Data [62.29031007761901]
  本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。 EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。 私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
  論文  参考訳（メタデータ） (2021-04-07T06:02:04Z)

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。