論文の概要: Retrieval-Augmented Interpretable Learning: Towards Task-Specific Zero-Shot Models in Healthcare

• arxiv url: http://arxiv.org/abs/2607.17508v1
• Date: Mon, 20 Jul 2026 03:31:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-21 18:48:37.490056
• Title: Retrieval-Augmented Interpretable Learning: Towards Task-Specific Zero-Shot Models in Healthcare
• Title（参考訳）: Retrieval-Augmented Interpretable Learning: to the Task-Specific Zero-Shot Models in Health
• Abstract要約: 本稿では,タスク固有解釈モデルのゼロショット生成のためのメタ学習フレームワークであるRetrieval-Augmented Interpretable Learning (RAIL)を紹介する。 RAILは、関連するソースタスクを検索し、係数空間を通して構造を転送し、元の診断機能空間で新しい予測器を生成する。
• 参考スコア（独自算出の注目度）: 40.40611523465792
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: We introduce Retrieval-Augmented Interpretable Learning (RAIL), a probabilistic meta-learning framework for zero-shot generation of task-specific interpretable models that synthesizes coefficient-space structure from natural-language task descriptions and a memory of previously learned task-specific predictors. RAIL retrieves related source tasks, transfers structure through coefficient space, and generates a new predictor in the original diagnostic-feature space, enabling zero-shot and few-shot clinical procedure prediction with feature-level explanations. Its probabilistic formulation provides uncertainty over retrieval, model coefficients, and predictions, supporting reliability-aware deployment: uncertain predictions or unstable explanations can be flagged for additional clinical review rather than treated as automatic decisions. This makes RAIL particularly suited for healthcare settings, where prediction tasks are highly long-tailed, new clinical targets arise frequently, and models must remain inspectable, uncertainty-aware, and compatible with human oversight. Across long-tailed clinical procedure prediction tasks, RAIL maintains reliable performance across data-availability regimes: it achieves 73.4% accuracy in the held-out zero-shot settings, where no supervised task-specific model can be trained, and remains near 73.2% accuracy in the extreme few-shot regime with only 2-4 examples, where supervised task-specific models perform close to chance. RAIL further benefits from clinically informed task representations and yields retrieval, uncertainty, and coefficient-level diagnostics that make model behavior more transparent. These results suggest a path toward scalable clinical prediction systems that can adapt to new tasks while preserving interpretability and reliability.
• Abstract（参考訳）: 本稿では,自然言語タスク記述から係数空間構造を合成するタスク固有解釈モデルのゼロショット生成のための確率的メタラーニングフレームワークであるRetrieval-Augmented Interpretable Learning (RAIL)を紹介した。 RAILは、関連するソースタスクを検索し、係数空間を通して構造を転送し、元の診断機能領域で新しい予測器を生成し、特徴レベルの説明を伴うゼロショットおよび少数ショットの臨床試験予測を可能にする。 その確率的定式化は、検索、モデル係数、予測に対する不確実性を提供し、信頼性に配慮したデプロイメントをサポートする。 これによってRAILは、予測タスクが極めて長い、新しい臨床ターゲットが頻繁に発生し、モデルは検査可能で不確実性を認識し、人間の監視と互換性を持たなければならない、医療環境に特に適している。 RAILは、長期にわたる臨床手順予測タスク全体にわたって、データ可用性のレシエーション全体にわたって信頼性の高いパフォーマンスを維持している: 保持されたゼロショット設定において73.4%の精度を達成し、教師付きタスク固有のモデルを訓練することができず、監督されたタスク固有のモデルが偶然に近い2-4例しか持たず、極端に少数ショットのレシエーションにおいて73.2%近い精度を維持している。 RAILは、臨床的に情報を得たタスク表現のさらなる恩恵を受け、モデルの振る舞いをより透明にする検索、不確実性、係数レベルの診断をもたらす。 これらの結果は,解釈可能性と信頼性を維持しつつ,新たな課題に適応できるスケーラブルな臨床予測システムへの道のりを示唆している。

関連論文リスト

• From Static Risk to Dynamic Trajectories: Toward World-Model-Inspired Clinical Prediction [61.12883122613684]
  本稿では, 患者固有の縦断疾患の進展を推定し, 代替治療下での軌跡変化を評価するための, 臨床AIにおける介入認識型疾患軌跡モデリングに焦点をあてる。 3つの意思決定タスク(実測,反実推定,政策評価)と3つのデータ生成機構(障害発生, 治療課題, 観察過程)によって, 識別可能性を決定する。 本稿では,個別/連続時間にまたがる予測,反ファクト的軌跡,政策評価の統一的な枠組みを提案する。
  論文  参考訳（メタデータ） (2026-05-16T10:45:26Z)
• A Data-Driven Approach to Support Clinical Renal Replacement Therapy [1.7666791716676549]
  本研究では,CRRT(Continuous Renal Replacement Therapy)を施行した重症患者の膜汚濁予測のためのデータ駆動機械学習手法について検討した。 ICUの時系列データを用いて,臨床選択した16種類の特徴を同定し,予測モデルを訓練した。 結果は異なる予測地平線にわたって頑健なままであった。
  論文  参考訳（メタデータ） (2026-02-26T11:47:22Z)
• Calibrated Bayesian Deep Learning for Explainable Decision Support Systems Based on Medical Imaging [6.826979426009301]
  モデルが予測精度と相関する方法で不確実性を定量化し、臨床医がさらなるレビューのために信頼できないアウトプットを特定できることが不可欠である。 本稿では,ベイズ深層学習に基づく一般化可能な確率的最適化フレームワークを提案する。 特に、信頼性・不確実性境界損失(CUB-Loss)が新しく導入され、高い精度の誤差と低い精度の正確な予測に罰則が課せられる。 提案手法は, 肺炎の自動スクリーニング, 糖尿病性網膜症検出, 皮膚病変の同定という, 3つの異なる医用画像処理課題に対して検証された。
  論文  参考訳（メタデータ） (2026-02-12T14:03:41Z)
• Building Safe and Deployable Clinical Natural Language Processing under Temporal Leakage Constraints [39.44014654945035]
  本研究は, 時間的リーク制約の下で安全かつデプロイ可能なNLPを構築するために必要なシステムレベルの設計選択に焦点を当てた。 モデル開発プロセスに解釈可能性を統合する軽量な監査パイプラインを提案し,最終訓練前の漏洩信号の同定と抑制を行う。 その結果, 監査されたモデルの方が, より保守的でキャリブレーションのよい推定値を示し, 放電関連語彙的手がかりへの依存度を低下させることがわかった。
  論文  参考訳（メタデータ） (2026-01-24T01:46:46Z)
• Evidential time-to-event prediction with calibrated uncertainty quantification [12.446406577462069]
  Time-to-event分析は、臨床予後と治療勧告に関する洞察を提供する。 本稿では,時間とイベントの予測に特化して設計された明らかな回帰モデルを提案する。 我々のモデルは正確かつ信頼性の高い性能を提供し、最先端の手法より優れていることを示す。
  論文  参考訳（メタデータ） (2024-11-12T15:06:04Z)
• Towards Reliable Medical Image Segmentation by Modeling Evidential Calibrated Uncertainty [57.023423137202485]
  医用画像のセグメンテーションの信頼性に関する懸念が臨床医の間で続いている。 本稿では,医療画像セグメンテーションネットワークにシームレスに統合可能な,実装が容易な基礎モデルであるDEviSを紹介する。 主観的論理理論を活用することで、医用画像分割の確率と不確実性を明示的にモデル化する。
  論文  参考訳（メタデータ） (2023-01-01T05:02:46Z)
• 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)
• Clinical Outcome Prediction from Admission Notes using Self-Supervised Knowledge Integration [55.88616573143478]
  臨床テキストからのアウトカム予測は、医師が潜在的なリスクを見落としないようにする。 退院時の診断,手術手順,院内死亡率,長期予測は4つの一般的な結果予測対象である。 複数の公開資料から得られた患者結果に関する知識を統合するために,臨床結果の事前学習を提案する。
  論文  参考訳（メタデータ） (2021-02-08T10:26:44Z)
• Clinical Risk Prediction with Temporal Probabilistic Asymmetric Multi-Task Learning [80.66108902283388]
  マルチタスク学習手法は、臨床リスク予測などの安全クリティカルな応用に注意を払って使用すべきである。 既存の非対称なマルチタスク学習手法は、低損失のタスクから高損失のタスクへの知識伝達を行うことにより、この負の伝達問題に対処する。 特徴レベルの不確実性に基づいて,特定のタスク/タイムステップから関連する不確実なタスクへの知識伝達を行う,新しい時間的非対称型マルチタスク学習モデルを提案する。
  論文  参考訳（メタデータ） (2020-06-23T06:01:36Z)
• Uncertainty estimation for classification and risk prediction on medical tabular data [0.0]
  本研究は,医療データの分類とリスク予測のための不確実性推定の理解を深めるものである。 医療などのデータ共有分野において、モデルの予測の不確実性を測定する能力は、意思決定支援ツールの改善につながる可能性がある。
  論文  参考訳（メタデータ） (2020-04-13T08:46:41Z)

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。