論文の概要: Biological Amnesia in ICU Time-Series Prediction: A Drift-Adaptive Two-Stream Architecture with Temporal Retrieval

• arxiv url: http://arxiv.org/abs/2607.19020v1
• Date: Tue, 21 Jul 2026 12:07:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-22 19:05:05.418514
• Title: Biological Amnesia in ICU Time-Series Prediction: A Drift-Adaptive Two-Stream Architecture with Temporal Retrieval
• Title（参考訳）: ICU時系列予測における生物学的アムネシア:時間的検索を伴うドリフト適応型2ストリームアーキテクチャ
• Abstract要約: ICU介入予測のための適応型臨床知能アーキテクチャを提案する。 この構造は、生理学を治療表現から切り離し、治療ストリームへのパラメータ更新を精査する。 このアーキテクチャは、高度臨床環境で適応モデルの制御可能かつ解釈可能なデプロイのためのテンプレートを提供する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Background: Clinical decision support systems degrade silently as treatment protocols evolve, yet standard adaptation methods treat models as monolithic blocks, unable to distinguish stable patient physiology from shifting institutional practice. Methods: We propose an adaptive clinical intelligence architecture for ICU intervention prediction that structurally decouples physiological from treatment representations, confining parameter updates to the treatment stream upon a dual distributional and accuracy trigger. Automated audit logs record which treatment features drove each adaptation event and how their importance shifted. At inference, an attribution-driven Temporal RAG module grounds each prediction in patient-specific, era-matched PubMed evidence anchored to the patient's dominant physiological features. Experiments used 84,792 MIMIC-IV stays (2008-2022) under strict chronological split. Results: Drift localised entirely to the treatment stream, validating the structural prior. Selective adaptation improved vasopressor and septic shock discrimination and calibration over the static source model. A fully retrained baseline yielded marginally higher aggregate discrimination but missed 26 septic shock cases the framework correctly identified, with none in the reverse direction; retrieval consistency with the pre-adaptation source model was preserved by the framework but degraded substantially in the retrained baseline. Conclusions: Structurally constraining adaptation to drifting components while preserving stable physiological representations enables clinical AI to evolve with practice without distorting learned patient biology. This architecture offers a template for governable, interpretable deployment of adaptive models in high-stakes clinical environments.
• Abstract（参考訳）: 背景: 治療プロトコルが進化するにつれて臨床決定支援システムは静かに劣化するが, 標準適応法はモデルをモノリシックブロックとして扱い, 安定した患者の生理学と制度的な実践の転換を区別できない。 方法: ICU介入予測のための適応型臨床知能アーキテクチャを提案する。 自動監査ログは、どの治療機能がそれぞれの適応イベントを駆動し、その重要性がどのように変化したかを記録している。 仮説では、帰属駆動のテンポラルRAGモジュールは、患者が支配する生理的特徴に固定された患者固有の、年齢に適合したPubMedエビデンスにおいて、それぞれの予測を根拠にしている。 実験では、厳密な時間分割の下で84,792MIMIC-IV滞在(2008-2022)を使用した。 結果: ドリフトは完全に治療の流れに局在し, 構造的先行性を検証した。 選択的適応は静的ソースモデル上での血管圧と敗血症性ショック判別と校正を改善した。 完全に再訓練されたベースラインは, 集合的差別が極端に高かったが, 26件の敗血症性ショックケースを見逃し, 逆方向では見つからず, 事前適応ソースモデルとの検索整合性は, フレームワークによって維持されたが, ほぼ劣化した。 結論: 安定した生理的表現を維持しながら、ドリフトコンポーネントへの適応を構造的に制限することにより、臨床AIは、学習した患者生物学を歪ませることなく、実践的に進化することができる。 このアーキテクチャは、高度臨床環境で適応モデルの制御可能かつ解釈可能なデプロイのためのテンプレートを提供する。

関連論文リスト

• Large-Small Model Collaboration for Zero-Shot Surgical Phase Recognition [45.191945465591374]
  外科的位相認識のためのタスク固有の軽量モデルは、時間的ダイナミクスを捉えるのに優れているが、ドメインシフト下での一般化は不十分である。 textbfLarge-textbfSmall textbfTemporal adaptation (textbfLaST)を提案する。
  論文  参考訳（メタデータ） (2026-08-24T07:06:52Z)
• Test-time Adaptation of Pelvic Bone Segmentation Models via Dynamic Reliability-Guided [62.10276009853225]
  ロボットによる骨盤外傷手術には,CTによる骨切片の信頼性が不可欠である。 既存の方法はPBSに対して限られた有効性を示した。 PBSのための新しいクローズドループ動的信頼性ガイドフレームワーク(ReGA)を提案する。
  論文  参考訳（メタデータ） (2026-08-01T08:13:20Z)
• Closed-loop coupling of personalised and foundation models for real-time treatment guidance with MRI [0.0]
  画像誘導療法は解剖学的構造のリアルタイムターゲティングに依存している。 運動の存在下では、画像の遅延は観察された解剖学と真の解剖学の時間的ずれを生じさせ、治療の精度を損なう。 本稿では,患者固有の時間的予測を連続的セグメンテーションに基づく解剖学的解釈と相乗するクローズドループ結合フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-07-01T06:32:10Z)
• 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)
• Causal-Transformer with Adaptive Mutation-Locking for Early Prediction of Acute Kidney Injury [24.453881669473137]
  既存のディープラーニングモデルは、不規則にサンプリングされたデータを扱う。 本稿では,連続時間モデリングをCausal-Transformerと統合したCT-Formerを提案する。 我々はCT-Formerが最先端のベースラインを大きく上回ることを示す。
  論文  参考訳（メタデータ） (2026-04-22T07:08:25Z)
• The Gait Signature of Frailty: Transfer Learning based Deep Gait Models for Scalable Frailty Assessment [22.972032402190873]
  臨床的に現実的な設定で収集したシルエットベースの脆弱な歩行データセットを公開して紹介する。 我々は,限られたデータ条件下で,事前学習した歩行認識モデルが脆弱な分類にどのように適応できるかを評価する。
  論文  参考訳（メタデータ） (2026-03-25T15:44:37Z)
• Bi-CRCL: Bidirectional Conservative-Radical Complementary Learning with Pre-trained Foundation Models for Class-incremental Medical Image Analysis [35.9133156067447]
  医用画像誘導診断におけるクラスインクリメンタルラーニング(CIL)は、新たに出現する疾患のカテゴリに適応しつつ、事前診断知識を維持する必要がある。 補完学習システムにインスパイアされた二重学習フレームワークBi-CRCLを提案する。 5つの医用画像データセットの実験では、様々な条件下での最先端の手法に対する一貫した改善が示されている。
  論文  参考訳（メタデータ） (2026-03-24T21:25:05Z)
• Physically-Grounded Manifold Projection Model for Generalizable Metal Artifact Reduction in Dental CBCT [20.637726557566793]
  歯科用CBCTの金属遺物は極めて不明瞭な解剖学的構造である。 現在のMAR(Metal Artifact Reduction)の深層学習は制限に直面している。 Denoising Diffusion Models (DDPM) はリアリズムを提供するが、遅い反復的なサンプリングに依存している。
  論文  参考訳（メタデータ） (2025-12-30T14:36:26Z)
• Transparent Early ICU Mortality Prediction with Clinical Transformer and Per-Case Modality Attribution [42.85462513661566]
  ICU滞在後48時間から, 生理的時系列測定と非構造的臨床記録とを融合した, 軽量で透明なマルチモーダルアンサンブルを提案する。 ロジスティック回帰モデルは、バイタル用双方向LSTMとノート用微調整された臨床ModernBERT変換器の2つのモード固有モデルからの予測を組み合わせる。 MIMIC-IIIベンチマークでは、遅延融合アンサンブルは、よく校正された予測を維持しながら、最高の単一モデルに対する差別を改善する。
  論文  参考訳（メタデータ） (2025-11-19T20:11:49Z)
• Leveraging Cardiovascular Simulations for In-Vivo Prediction of Cardiac Biomarkers [43.17768785084301]
  我々は、新たに構築された心臓シミュレーションの大規模なデータセットに基づいて、無傷神経後部推定器を訓練する。 シミュレーションデータと実世界の測定値との整合性を改善するために,要素モデリング効果を取り入れた。 提案するフレームワークは,実世界のデータに対する予測能力を向上するために,インバイブなデータソースをさらに統合することができる。
  論文  参考訳（メタデータ） (2024-12-23T13:05:17Z)
• Domain Adaptive Diabetic Retinopathy Grading with Model Absence and Flowing Data [45.75724873443564]
  ドメインシフトは、糖尿病網膜症などの臨床応用において重要な課題である。 本稿では,データ中心の観点から適応可能なGUES(Generative Unadversarial Examples)を提案する。
  論文  参考訳（メタデータ） (2024-12-02T07:14:25Z)
• TREEMENT: Interpretable Patient-Trial Matching via Personalized Dynamic Tree-Based Memory Network [54.332862955411656]
  臨床試験は薬物開発に不可欠であるが、しばしば高価で非効率な患者募集に苦しむ。 近年,患者と臨床試験を自動マッチングすることで患者採用を高速化する機械学習モデルが提案されている。 本稿では,TREement という名前の動的ツリーベースメモリネットワークモデルを導入する。
  論文  参考訳（メタデータ） (2023-07-19T12:35:09Z)
• Semantic Self-adaptation: Enhancing Generalization with a Single Sample [45.111358665370524]
  セマンティックセグメンテーションのための自己適応型アプローチを提案する。 整合正則化を用いて畳み込み層のパラメータを入力画像に微調整する。 実験により, 自己適応は訓練時のモデル正規化の確立した実践を補完する可能性が示唆された。
  論文  参考訳（メタデータ） (2022-08-10T12:29:01Z)

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。