Fugu-MT 論文翻訳(概要): iLENS: Interpretable LLM-Guided Mixture-of-Experts for Neuroimaging Survival Analysis

論文の概要: iLENS: Interpretable LLM-Guided Mixture-of-Experts for Neuroimaging Survival Analysis

arxiv url: http://arxiv.org/abs/2607.08778v1
Date: Fri, 12 Jun 2026 17:11:13 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-19 21:54:20.350355
Title: iLENS: Interpretable LLM-Guided Mixture-of-Experts for Neuroimaging Survival Analysis
Title（参考訳）: iLENS: 神経画像生存分析のためのLLM-Guided Mixture-of-Experts
Abstract要約: アルツハイマー病(英: Alzheimer's Disease、AD)は、世界中で何百万人もの人に影響を与え続けている複雑な神経変性疾患である。生存モデルはADリスク予測に広く用いられているが、一般的には限定的な解釈可能性を持つ静的予測器である。我々は、AD変換における生存予測のためのMix-of-experts(MoE)に基づく、解釈可能な大規模言語モデル(LLM)ガイドフレームワークであるiLENSを提案する。
参考スコア（独自算出の注目度）: 12.612659429956912
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Alzheimer's Disease (AD) is a complex neurodegenerative disorder that continues to impact millions of people worldwide. Predicting AD conversion during the prodromal stage remains critical for disease understanding and patient care. As such, survival models are widely used for AD risk prediction, yet they are typically static predictors with limited interpretability and no capacity for natural language reasoning. In this work, we propose iLENS, an interpretable large language model (LLM) guided framework based on mixture-of-experts (MoE) for survival prediction in AD conversion. Our approach uses LLM to synthesize structured neuroimaging measurements and unstructured information to guide expert routing. Our framework demonstrates competitive predictive performance and capability in patient subtyping. Furthermore, our framework provides transparent, biologically grounded rationales for its routing decisions, bridging the gap between high-performance survival analysis and interpretable clinical decision support.
Abstract（参考訳）: アルツハイマー病(英: Alzheimer's Disease、AD)は、世界中で何百万人もの人に影響を与え続けている複雑な神経変性疾患である。前頭前段階におけるAD変換の予測は、疾患の理解と患者のケアにおいて重要である。したがって、生存モデルはADリスク予測に広く使われているが、一般的には、解釈可能性に制限があり、自然言語推論の能力がない静的予測器である。本稿では,AD変換における生存予測のためのMix-of-experts(MoE)に基づく,解釈可能な大規模言語モデル(LLM)ガイドフレームワークであるiLENSを提案する。提案手法では,LLMを用いて構造化されたニューロイメージング計測と非構造化情報を合成し,専門家のルーティングをガイドする。当社のフレームワークは,患者サブタイピングにおける競争力のある予測性能と能力を示す。さらに,我々の枠組みは,その経路決定に対する透過的,生物学的に根拠付けられた理論的根拠を提供し,高性能生存分析と解釈可能な臨床決定支援のギャップを埋めるものである。

関連論文リスト

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)
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)
ADHAM: Additive Deep Hazard Analysis Mixtures for Interpretable Survival Regression [6.7535930849356225]
生存分析(Survival analysis)は、医療における時間から時間までの成果をモデル化するための基本的なツールである。本稿では,解釈可能な付加的生存モデルであるAdditive Deep Hazard Analysis Mixtures (ADHAM)を提案する。我々は,ADHAMの集団,サブグループ,個人レベルでの解釈可能性を示す総合的研究を行った。
論文参考訳（メタデータ） (2025-09-08T18:04:14Z)
LLM-based Agents for Automated Confounder Discovery and Subgroup Analysis in Causal Inference [1.1538255621565348]
本稿では,共同創設者の自動発見とサブグループ分析のための大規模言語モデルに基づくエージェントを提案する。本フレームワークは,サブグループ識別と構造発見を体系的に行う。以上の結果から,LSMをベースとしたエージェントは,スケーラブルで信頼性が高く,セマンティックに認識された因果推論へ有望な道をたどることが示唆された。
論文参考訳（メタデータ） (2025-08-10T07:45:49Z)
Towards Interpretable Renal Health Decline Forecasting via Multi-LMM Collaborative Reasoning Framework [12.732588046754783]
本稿では,eGFR予測のためのオープンソースのLMMの性能向上を目的とした協調的フレームワークを提案する。視覚的知識伝達、帰納的推論、および予測精度と解釈可能性を高めるための短期記憶機構が組み込まれている。我々の手法は、予測精度と臨床的に根拠付けられた解釈可能性を組み合わせた医療用AIシステムの構築に新たな光を当てている。
論文参考訳（メタデータ） (2025-07-30T08:11:06Z)
CANDLE: A Cross-Modal Agentic Knowledge Distillation Framework for Interpretable Sarcopenia Diagnosis [3.0245458192729466]
CANDLEは、解釈可能性と性能のトレードオフを緩和し、予測精度を高め、高い決定一貫性を維持する。このフレームワークは、TMLモデルの知識アセット化に対するスケーラブルなアプローチを提供し、サルコピアおよび潜在的に広い医療領域における解釈可能、再現可能、および臨床的に整合した意思決定支援を可能にする。
論文参考訳（メタデータ） (2025-07-26T15:50:08Z)
Deep Survival Analysis in Multimodal Medical Data: A Parametric and Probabilistic Approach with Competing Risks [47.19194118883552]
単一リスクシナリオと競合リスクシナリオの両方をモデル化可能な生存分析のためのマルチモーダルディープラーニングフレームワークを提案する。生存予測のための新しいディープラーニングアーキテクチャであるSAMVAE(Survival Analysis Multimodal Variational Autoencoder)を提案する。
論文参考訳（メタデータ） (2025-07-10T14:29:48Z)
AUTOCT: Automating Interpretable Clinical Trial Prediction with LLM Agents [47.640779069547534]
AutoCTは、大規模言語モデルの推論能力と古典的な機械学習の説明可能性を組み合わせた、新しいフレームワークである。臨床治験予測タスクにおいて, AutoCT は SOTA 法と同等以上の性能を示した。
論文参考訳（メタデータ） (2025-06-04T11:50:55Z)
An interpretable generative multimodal neuroimaging-genomics framework for decoding Alzheimer's disease [13.213387075528017]
アルツハイマー病(英語: Alzheimer's disease, AD)は、認知機能障害(Mild Cognitive Impairment, MCI)として知られる前ドロマステージを含む認知症である。この研究の目的は、マルチモーダルMRIデータと単一核化物多型に依存する脳構造と機能の構造的・機能的調節を捉えることである。
論文参考訳（メタデータ） (2024-06-19T07:31:47Z)
XAI for In-hospital Mortality Prediction via Multimodal ICU Data [57.73357047856416]
マルチモーダルICUデータを用いて病院内死亡率を予測するための,効率的で説明可能なAIソリューションを提案する。我々は,臨床データから異種入力を受信し,意思決定を行うマルチモーダル・ラーニングを我々のフレームワークに導入する。我々の枠組みは、医療研究において重要な要素の発見を容易にする他の臨床課題に容易に移行することができる。
論文参考訳（メタデータ） (2023-12-29T14:28:04Z)
A Quantitatively Interpretable Model for Alzheimer's Disease Prediction Using Deep Counterfactuals [9.063447605302219]
われわれのフレームワークは脳の各領域に対してAD関連指数'を生成する。アルツハイマー病(AD)の進行に関して、個々の患者や患者グループに対する直感的な脳状態の理解を提供する。
論文参考訳（メタデータ） (2023-10-05T10:55:10Z)
COVID-Net Biochem: An Explainability-driven Framework to Building Machine Learning Models for Predicting Survival and Kidney Injury of COVID-19 Patients from Clinical and Biochemistry Data [66.43957431843324]
我々は、機械学習モデルを構築するための汎用的で説明可能なフレームワークであるCOVID-Net Biochemを紹介する。この枠組みを用いて、新型コロナウイルス患者の生存率と、入院中に急性腎不全を発症する可能性を予測する。
論文参考訳（メタデータ） (2022-04-24T07:38:37Z)

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。