論文の概要: MLPTR-CC: Multi-label Pathology Test Recommendation using Classifier Chains and SHAP

• arxiv url: http://arxiv.org/abs/2607.08299v2
• Date: Tue, 14 Jul 2026 13:26:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-15 12:51:44.445031
• Title: MLPTR-CC: Multi-label Pathology Test Recommendation using Classifier Chains and SHAP
• Title（参考訳）: MLPTR-CC: Classifier Chains と SHAP を用いた多ラベル病理検査勧告
• Authors: Abu Rafe Md Jamil, Nayan Malakar,
• Abstract要約: 病理検査を多ラベル分類問題として定式化する。 本稿では,ロジスティック回帰,決定木,ランダム林,およびそれらのアンサンブルを用いて,テスト間のラベル依存性をキャプチャするAIベースのフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Diagnostic decision making often relies on a sequence of pathology tests that bridge patient symptoms and final disease diagnosis. Existing clinical decision-support systems typically focus on predicting single diseases and do not explicitly recommend sets of intermediate tests or model dependencies among them. In this paper, we formulate pathology test recommendation as a multi-label classification problem where each case is associated with multiple, interdependent tests. We propose an AI-based framework that applies classifier chains with logistic regression, decision trees, random forests, and their ensemble to capture label dependencies between tests. Experiments on an expert-curated dataset from a private pathology laboratory show that classifier-chain models outperform their independent counterparts, improving F1-score and reducing Hamming loss while maintaining high accuracy across common and rare tests. To enhance trust and transparency, we integrate SHAP-based explainable AI, providing symptom-level attributions that align with established clinical reasoning in most cases. The results demonstrate that classifier chains combined with SHAP offer an effective and interpretable approach for multi-label pathology test recommendation, with potential to support clinicians in selecting appropriate diagnostic tests at an early stage.
• Abstract（参考訳）: 診断決定はしばしば、患者の症状と最終疾患の診断を橋渡しする一連の病理検査に頼っている。 既存の臨床診断支援システムでは、単一疾患の予測に重点を置いており、中間テストやモデル依存のセットを明示的に推奨していない。 本稿では,各症例が複数の相互依存テストと関連付けられている多ラベル分類問題として,病理検査の勧告を定式化する。 本稿では,ロジスティック回帰,決定木,ランダム森林,およびそれらのアンサンブルを用いて,テスト間のラベル依存性をキャプチャするAIベースのフレームワークを提案する。 プライベートな病理実験室による専門家計算データセットの実験では、分類器チェーンモデルは独立したモデルよりも優れており、F1スコアを改善し、ハンミング損失を低減し、一般的なテストと稀なテストで高い精度を維持している。 信頼と透明性を高めるために、SHAPベースの説明可能なAIを統合し、ほとんどのケースで確立された臨床推論と一致した症状レベルの属性を提供する。 以上の結果から,SHAPと組み合わせた分類器チェーンは,臨床医が早期に適切な診断検査を選択できる可能性が示唆された。

関連論文リスト

• Evolving Diagnostic Agents in a Virtual Clinical Environment [75.59389103511559]
  本稿では,大規模言語モデル(LLM)を強化学習を用いた診断エージェントとして訓練するためのフレームワークを提案する。 本手法は対話型探索と結果に基づくフィードバックによって診断戦略を取得する。 DiagAgentはDeepSeek-v3やGPT-4oなど、最先端の10のLLMを著しく上回っている。
  論文  参考訳（メタデータ） (2025-10-28T17:19:47Z)
• 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)
• How to Evaluate Medical AI [4.23552814358972]
  アルゴリズム診断(RPAD, RRAD)の相対精度とリコールについて紹介する。 RPADとRADは、AIの出力を単一の参照ではなく複数の専門家の意見と比較する。 大規模な研究によると、DeepSeek-V3のようなトップパフォーマンスモデルは、専門家のコンセンサスに匹敵する一貫性を達成している。
  論文  参考訳（メタデータ） (2025-09-15T14:01:22Z)
• Improving Machine Learning Based Sepsis Diagnosis Using Heart Rate Variability [0.0]
  本研究の目的は、心拍変動(HRV)機能を用いて、敗血症検出のための効果的な予測モデルを開発することである。 ニューラルネットワークモデルは、HRVの特徴に基づいてトレーニングされ、F1スコアは0.805、精度は0.851、リコールは0.763である。
  論文  参考訳（メタデータ） (2024-08-01T01:47:29Z)
• Two new feature selection methods based on learn-heuristic techniques for breast cancer prediction: A comprehensive analysis [6.796017024594715]
  帝国主義競争アルゴリズム(ICA)とバットアルゴリズム(BA)に基づく2つの新しい特徴選択法を提案する。 本研究は, 診断モデルの効率を向上し, 臨床医師がこれまでよりもはるかに正確かつ信頼性の高い意思決定を行えるよう包括的分析を行うことを目的とする。
  論文  参考訳（メタデータ） (2024-07-19T19:07:53Z)
• NeuralSympCheck: A Symptom Checking and Disease Diagnostic Neural Model with Logic Regularization [59.15047491202254]
  症状検査システムは、患者に症状を問い合わせ、迅速で手頃な価格の医療評価を行う。 本稿では,論理正則化を用いたニューラルネットワークの教師付き学習に基づく新しい手法を提案する。 以上の結果から,本手法は診断回数や症状が大きい場合の診断精度において,最も優れた方法であることがわかった。
  論文  参考訳（メタデータ） (2022-06-02T07:57:17Z)
• Hemogram Data as a Tool for Decision-making in COVID-19 Management: Applications to Resource Scarcity Scenarios [62.997667081978825]
  新型コロナウイルス(COVID-19)のパンデミックは世界中の緊急対応システムに挑戦している。 本研究は, 症状患者の血液検査データから得られた機械学習モデルについて述べる。 提案されたモデルでは、新型コロナウイルスqRT-PCRの結果を、高い精度、感度、特異性で症状のある個人に予測することができる。
  論文  参考訳（メタデータ） (2020-05-10T01:45:03Z)

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。