論文の概要: From Many to Meaningful: Feature-Guided Zero-Shot Chronic Kidney Disease Screening Using Large Language Models

• arxiv url: http://arxiv.org/abs/2607.12260v1
• Date: Tue, 14 Jul 2026 02:00:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-15 17:08:30.008459
• Title: From Many to Meaningful: Feature-Guided Zero-Shot Chronic Kidney Disease Screening Using Large Language Models
• Title（参考訳）: 機能誘導型ゼロショット型慢性腎臓病検診 : 大規模言語モデルを用いて
• Abstract要約: 本研究では,ゼロショット環境でのCKD早期スクリーニングにおける大規模言語モデル(LLM)の有用性について検討した。 臨床的に意味があり,手軽に利用できるコミュニティベースの機能セットを用いて,LCMの性能を評価する機能誘導フレームワークを提案する。 汎用性は3つの国にまたがる3つの異種CKDデータセットで評価された。
• 参考スコア（独自算出の注目度）: 0.5442955439283729
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Early screening of chronic kidney disease (CKD) is essential for preventing irreversible progression; however, many machine learning (ML)-based screening methods remain difficult to deploy in community and resource-limited screening settings due to their reliance on large labeled datasets, resource-intensive pathology tests, or high-dimensional clinical features, and limited robustness to population and distributional shifts. This study examines the feasibility of using large language models (LLMs) for early-stage CKD screening in a zero-shot setting, without dataset-specific training. We propose a feature-guided zero-shot framework that evaluates LLM performance using a selected set of clinically meaningful, readily available community-based features, rather than exhaustive clinical inputs. Feature selection was guided by ML-based analysis to identify a compact, clinically relevant subset of variables. Tabular patient records were subsequently serialized into text using standardized prompt templates to enable zero-shot inference. The zero-shot performance of four LLMs (LLaMA-3, Qwen-3, Mistral, and GPT-4o-mini) was evaluated using both the full feature set and the selected subset. Generalizability was assessed across three heterogeneous CKD datasets spanning three countries. Across models and datasets, the selected feature set yielded consistent and statistically significant improvements in balanced accuracy and probability estimates, achieving performance levels suitable for screening purposes. These findings suggest that LLMs can support clinically meaningful, training-free CKD screening using minimal community-accessible patient features, offering a practical complement to conventional ML methods in real-world screening contexts.
• Abstract（参考訳）: 慢性腎臓病(CKD)の早期スクリーニングは、不可逆的な進行を防ぐために不可欠であるが、大きなラベル付きデータセット、リソース集約型病理検査、高次元臨床特徴への依存、人口や分布の変化に対するロバスト性に制限があるため、多くの機械学習(ML)ベースのスクリーニング手法は、コミュニティやリソース制限されたスクリーニング設定に展開することが困難である。 本研究では,データセット固有のトレーニングを使わずに,ゼロショット環境でのCKDスクリーニングに大規模言語モデル(LLM)を用いることの可能性を検討する。 臨床的に意味があり,手軽に手軽に手軽に利用できる機能群を用いてLCMの性能を評価する機能誘導型ゼロショットフレームワークを提案する。 特徴選択はMLに基づく解析で導かれ、コンパクトで臨床的に関係のある変数のサブセットを同定した。 その後、ゼロショット推論を可能にするために標準化されたプロンプトテンプレートを使用して、タブラル患者レコードをテキストにシリアライズした。 4つのLCM(LLaMA-3, Qwen-3, Mistral, GPT-4o-mini)のゼロショット性能を全特徴セットと選択したサブセットを用いて評価した。 汎用性は3つの国にまたがる3つの異種CKDデータセットで評価された。 モデルとデータセット全体で、選択された特徴セットは、バランスの取れた精度と確率推定の一貫性と統計的に有意な改善をもたらし、スクリーニング目的に適したパフォーマンスレベルを達成した。 これらの結果から, LLMは, 臨床に有意で, トレーニング不要なCKDスクリーニングを最小限のコミュニティアクセシブルな患者機能を用いてサポートし, 現実のスクリーニング環境での従来のML手法を実践的に補完できる可能性が示唆された。

関連論文リスト

• LLM4CKD: Large Language Models for Early Stage Chronic Kidney Disease Screening [0.5442955439283729]
  慢性腎臓病(CKD)の早期スクリーニングは時間的介入に重要である。 ほとんどの機械学習(ML)とディープラーニング(DL)アプローチはラベル付きデータとモデルトレーニングを必要とする。 本研究では、ゼロショットおよび少数ショットのインコンテキスト学習環境下でのCKDスクリーニングにおける大規模言語モデル(LLM)の有効性を評価する。
  論文  参考訳（メタデータ） (2026-09-03T15:53:20Z)
• Revisiting LLM Adaptation for 3D CT Report Generation: A Study of Scaling and Diagnostic Priors [10.853232316677362]
  大規模言語モデル (LLM) と視覚言語モデル (VLM) は、自然画像に強い適応性を示す。 RAD3D-Prefixは、広範なパラメータトレーニングの必要性を最小限に抑えるフレームワークである。 我々の方法は、最小限のトレーニング可能なパラメータを必要とし、小さなドメイン固有のデータセットに過度に適合するリスクを軽減します。
  論文  参考訳（メタデータ） (2026-06-15T18:51:31Z)
• Domain-Adapted Small Language Models for Reliable Clinical Triage [4.836986736624673]
  本研究では、オープンソースの小言語モデル(SLM)が、臨床トリアージのための信頼性とプライバシー保護のための意思決定支援ツールとして機能するかどうかを評価する。
  論文  参考訳（メタデータ） (2026-04-29T15:00:09Z)
• LLMs for Cardiovascular Risk Prediction from Structured Clinical Data [0.0]
  冠状動脈疾患(CAD)は、世界中で死因の1つとなっている。 我々はCAD予測のための構造化された臨床データと自然言語表現を橋渡しするハイブリッドフレームワークを開発する。
  論文  参考訳（メタデータ） (2026-04-21T00:16:05Z)
• 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)
• 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)
• Conformal Lesion Segmentation for 3D Medical Images [82.92159832699583]
  本稿では,データ駆動しきい値の校正をコンフォーマル化することで,テスト時間FNRが目標許容値以下であることを保証する,リスク制約付きフレームワークを提案する。 5つのバックボーンモデルにまたがる6つの3D-LSデータセット上でのCLSの統計的健全性と予測性能を検証し,臨床実践におけるリスク認識セグメンテーションの展開に関する実用的な知見を得た。
  論文  参考訳（メタデータ） (2025-10-19T08:21:00Z)
• Quantifying the Reasoning Abilities of LLMs on Real-world Clinical Cases [48.87360916431396]
  MedR-Benchは1,453例の構造化患者のベンチマークデータセットで、推論基準を付した注釈付きである。 本稿では,3つの批判的診察勧告,診断決定,治療計画を含む枠組みを提案し,患者のケアジャーニー全体をシミュレートする。 このベンチマークを用いて、DeepSeek-R1、OpenAI-o3-mini、Gemini-2.0-Flash Thinkingなど、最先端の5つのLCMを評価した。
  論文  参考訳（メタデータ） (2025-03-06T18:35:39Z)
• Prompting Large Language Models for Zero-Shot Clinical Prediction with Structured Longitudinal Electronic Health Record Data [7.815738943706123]
  大規模言語モデル(LLM)は、伝統的に自然言語処理に向いている。 本研究では, GPT-4 などの LLM の EHR データへの適応性について検討する。 EHRデータの長手性、スパース性、知識を注入した性質に対応するため、本研究は特定の特徴を考慮に入れている。
  論文  参考訳（メタデータ） (2024-01-25T20:14:50Z)
• Self-Verification Improves Few-Shot Clinical Information Extraction [73.6905567014859]
  大規模言語モデル (LLMs) は、数発のテキスト内学習を通じて臨床キュレーションを加速する可能性を示している。 正確性や解釈可能性に関する問題、特に健康のようなミッションクリティカルな領域ではまだ苦戦している。 本稿では,自己検証を用いた汎用的な緩和フレームワークについて検討する。このフレームワークはLLMを利用して,自己抽出のための証明を提供し,その出力をチェックする。
  論文  参考訳（メタデータ） (2023-05-30T22:05:11Z)

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。