論文の概要: Medical Heuristic Learning: An LLM-Driven Framework for Interpretable and Auditable Clinical Decision Rules

• arxiv url: http://arxiv.org/abs/2606.16337v2
• Date: Tue, 16 Jun 2026 13:51:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-17 15:01:46.822408
• Title: Medical Heuristic Learning: An LLM-Driven Framework for Interpretable and Auditable Clinical Decision Rules
• Title（参考訳）: 医学的ヒューリスティック学習 : LLMによる臨床診断規則の解釈と評価のためのフレームワーク
• Authors: Wei Xu, Ke Yang, Gang Luo, Keli Zheng, Lingyan Hu, Jing Wang, Kefeng Li,
• Abstract要約: 深層学習と木に基づくアンサンブル法は精度が高いが、ブラックボックスの性質は臨床展開の大きな障害である。 本稿では,医学的ヒューリスティック学習(MHL)を提案する。 MHLは、統計プローブ、医療知識プローブ、ルール合成、コードレベルの反復改良を統合し、決定論的かつ実行可能な決定システムを最適化する、LLM(Big Language Model)駆動のワークフローを使用している。
• 参考スコア（独自算出の注目度）: 10.26837045598536
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Predictive modeling for clinical tabular data is central to clinical decision support and therefore requires not only strong predictive performance but also transparent decision logic. Although deep learning and tree-based ensemble methods can achieve high accuracy, their black-box nature remains a major obstacle to clinical deployment. This challenge is further compounded by common characteristics of medical data, including limited sample sizes, severe class imbalance, and feature evolution arising from changes in diagnostic criteria and clinical documentation. To address these issues, we propose Medical Heuristic Learning (MHL), an instantiation of the learning-beyond-gradients paradigm for clinical tabular prediction. Instead of relying on neural network weight updates, MHL uses a large language model (LLM)-driven workflow that integrates statistical probes, medical knowledge probes, rule synthesis, and code-level iterative refinement to optimize a deterministic and executable decision system. The resulting model is expressed not as opaque parameters, but as versioned pure-Python decision rules that are explicitly interpretable, fully auditable, and clinically grounded. MHL also supports continual learning by starting from previously validated rules and iteratively revising them using updated feature information under data drift or feature evolution. Comprehensive experiments on medical datasets show that MHL achieves performance comparable to state-of-the-art methods while maintaining strong behavior in small-sample and highly imbalanced settings. The results further indicate that this explicit rule update mechanism can help alleviate catastrophic forgetting under feature evolution. Overall, these findings suggest that non-gradient-based heuristic systems offer a transparent and adaptable alternative for high-stakes clinical decision support.
• Abstract（参考訳）: 臨床表型データの予測モデリングは、臨床決定支援の中心であり、強い予測性能だけでなく、透明な決定ロジックも必要である。 深層学習と木に基づくアンサンブル法は高い精度を達成することができるが、ブラックボックスの性質は臨床展開の大きな障害である。 この課題は、限られたサンプルサイズ、厳格なクラス不均衡、診断基準や臨床文書の変化による特徴進化など、医療データの共通の特徴によってさらに複雑化されている。 これらの課題に対処するために,臨床表式予測のための学習段階パラダイムのインスタンス化であるMHL(Messical Heuristic Learning)を提案する。 ニューラルネットワークの重み付け更新に頼る代わりに、MHLは、統計プローブ、医療知識プローブ、ルール合成、コードレベルの反復改善を統合して決定論的かつ実行可能な決定システムを最適化する、LLM(Big Language Model)駆動のワークフローを使用する。 得られたモデルは、不透明なパラメータではなく、明示的に解釈可能で、完全に監査可能で、臨床的に根拠付けられた純粋Python決定ルールとして表現される。 MHLはまた、事前に検証されたルールから始めて、データドリフトや機能進化の下で更新された特徴情報を使用して繰り返し修正することで、継続的な学習もサポートする。 医学データセットに関する総合的な実験により、MHLは、小さなサンプルと非常に不均衡な設定で強い振る舞いを維持しながら、最先端の手法に匹敵するパフォーマンスを達成することが示された。 さらに、この明示的な規則更新機構は、機能進化における破滅的な忘れを和らげるのに役立つことを示唆している。 以上より, 順応的でないヒューリスティックシステムは, 高い意思決定支援のための透過的かつ適応的な代替手段である可能性が示唆された。

関連論文リスト

• Learning Diagnostic Reasoning for Decision Support in Toxicology [34.623049546258294]
  緊急毒性学への最初の強化学習(Reinforcement Learning, RL)であるDeToxRを提案する。 14種類の物質クラスにまたがる多ラベル予測のためのロバストなデータ融合エンジンを設計する。 臨床成績報酬を直接利用してモデルの推論を最適化する。
  論文  参考訳（メタデータ） (2026-03-31T11:26:45Z)
• A Federated and Parameter-Efficient Framework for Large Language Model Training in Medicine [59.78991974851707]
  大規模言語モデル(LLM)は、質問応答や診断など、医療ベンチマークにおいて強力なパフォーマンスを示している。 ほとんどの医療用LDMは、異種システムの一般化性と安全性の制限に直面している単一の機関のデータに基づいて訓練されている。 本稿では, LLMを医療応用に適用するためのモデルに依存しない, パラメータ効率のよいフェデレーション学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-29T18:48:21Z)
• Timely Clinical Diagnosis through Active Test Selection [49.091903570068155]
  本稿では,現実の診断推論をよりうまくエミュレートするためのACTMED (Adaptive Clinical Test selection via Model-based Experimental Design)を提案する。 LLMは柔軟なシミュレータとして機能し、構造化されたタスク固有のトレーニングデータを必要とせずに、患者状態のもっともらしい分布を生成し、信念の更新をサポートする。 我々は、実世界のデータセット上でACTMEDを評価し、診断精度、解釈可能性、リソース使用量を改善するためにテスト選択を最適化できることを示す。
  論文  参考訳（メタデータ） (2025-10-21T18:10:45Z)
• Uncertainty-Driven Expert Control: Enhancing the Reliability of Medical Vision-Language Models [52.2001050216955]
  既存の方法は、モデル構造を調整したり、高品質なデータで微調整したり、好みの微調整によって、医療ビジョン言語モデル(MedVLM)の性能を向上させることを目的としている。 我々は,MedVLMと臨床専門知識の連携を図るために,Expert-Controlled-Free Guidance (Expert-CFG) という,ループ内のエキスパート・イン・ザ・ループフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-07-12T09:03:30Z)
• medDreamer: Model-Based Reinforcement Learning with Latent Imagination on Complex EHRs for Clinical Decision Support [3.8382507197481144]
  medDreamerは、パーソナライズされた治療レコメンデーションのための新しいモデルベースの強化学習フレームワークである。 不規則なデータから潜伏した患者の状態をシミュレートし、実と想像の軌跡のハイブリッドで訓練された2段階のポリシーを定めている。 これは、臨床結果と非政治指標の両方において、モデルフリーおよびモデルベースベースラインを著しく上回る。
  論文  参考訳（メタデータ） (2025-05-26T10:16:39Z)
• DeepSelective: Interpretable Prognosis Prediction via Feature Selection and Compression in EHR Data [26.378114734793492]
  EHRデータを用いた患者予後予測のための新しいエンドツーエンドディープラーニングフレームワークであるDeepSelectiveを提案する。 DeepSelectiveは、データ圧縮技術と革新的な機能選択アプローチを組み合わせて、カスタム設計モジュールを統合する。 実験の結果,DeepSelectiveは予測精度を向上するだけでなく,解釈可能性も向上し,臨床診断に有用なツールであることがわかった。
  論文  参考訳（メタデータ） (2025-04-15T15:04:39Z)
• Improving Clinical Decision Support through Interpretable Machine Learning and Error Handling in Electronic Health Records [6.594072648536156]
  Trust-MAPSは、臨床領域の知識を高次元の混合整数プログラミングモデルに変換する。 信頼スコアは、臨床決定支援タスクの予測性能を高めるだけでなく、MLモデルに解釈可能性を与える臨床的に有意義な特徴として出現する。
  論文  参考訳（メタデータ） (2023-08-21T15:14:49Z)
• 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)

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。