論文の概要: INCLAIR: Inception-Based Longitudinal Clinical Anomaly Detection with Informed Reasoning

• arxiv url: http://arxiv.org/abs/2607.27487v1
• Date: Wed, 29 Jul 2026 22:02:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-31 21:37:00.327193
• Title: INCLAIR: Inception-Based Longitudinal Clinical Anomaly Detection with Informed Reasoning
• Title（参考訳）: インフォームド推論によるインセプションに基づく縦断的臨床異常検出
• Authors: Maxx Richard Rahman, Wolfgang Maass,
• Abstract要約: INCLAIRは、複数の歴史的文脈に対してそれぞれの観察をスコアし、プロファイルレベルで証拠を集約し、専門家の監督の下で自然言語の説明を生成するフレームワークである。 3つの臨床データセットの中で、INCLAIRは一貫して最先端のベースラインを上回っている。
• 参考スコア（独自算出の注目度）: 1.8512125158329427
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Detecting anomalies in longitudinal clinical profiles is clinically important but difficult: abnormal evidence is often sparse, patient histories have unequal length, and expert explanations are costly. We propose INCLAIR, a framework that scores each observation against multiple historical contexts, aggregates evidence at the profile level, and generates grounded natural-language explanations under limited expert supervision. Under stated within-profile exchangeability assumptions, the complete mean subsequence score takes an order-$l$ U-statistic form, yielding a variance decomposition and an incomplete-subset approximation that controls combinatorial inference cost independently of profile length. The same analysis shows that mean aggregation attenuates localized anomalies by a factor set by the anomaly support and profile length, motivating validation-selected top-$k$ pooling. Across three clinical datasets, INCLAIR consistently outperforms state-of-the-art baselines. We further validate practical relevance through a case study on longitudinal steroid profiles, comparing INCLAIR's predictions and explanations against domain-expert assessments supported by DNA analysis. The results show that INCLAIR enables clinically actionable anomaly detection under limited expert supervision.
• Abstract（参考訳）: 縦断的臨床像における異常の検出は臨床的に重要であるが困難である: 異常な証拠は稀であり、患者の歴史は不平等であり、専門家による説明は高価である。 InCLAIRは、複数の歴史的文脈に対してそれぞれの観察をスコアし、プロファイルレベルで証拠を集約し、限られた専門家の監督のもと、基礎となる自然言語の説明を生成するフレームワークである。 明らかな交換可能性の仮定の下では、完全平均列のスコアは順序-$l$U-統計形式を採り、分散分解とプロファイル長とは独立に組合せ推論コストを制御する不完全部分集合近似をもたらす。 同じ分析により,アグリゲーションの平均は,異常サポートとプロファイル長によって設定された因子によって局所的な異常を減らし,検証選択された上位$k$プールを動機付けていることがわかった。 3つの臨床データセットの中で、INCLAIRは一貫して最先端のベースラインを上回っている。 InCLAIRの予測と説明をDNA解析で裏付けるドメイン・エキスパート・アセスメントと比較し、縦型ステロイドプロファイルのケーススタディを通じて実用的妥当性を検証した。 以上の結果から,INCLAIRは専門的監督下での臨床的に実行可能な異常検出を可能にすることが示唆された。

関連論文リスト

• Toward Automated Detection of Documentation Inconsistencies in Electronic Health Records [16.68744679025527]
  一般ドメイン大言語モデル(LLM)は、実世界の放電サマリーから表れる。 LLMは3,460人の候補者の不一致を表面化し、69.7%が入院した。
  論文  参考訳（メタデータ） (2026-07-24T23:43:35Z)
• Detecting Time Series Anomalies Like an Expert: A Multi-Agent LLM Framework with Specialized Analyzers [9.042498473192923]
  SAGE(Specialized Analyzer Group for Expert-like Detection)は、構造化異常診断のためのマルチエージェントフレームワークである。 異常解析を、点、構造、季節、パターンの4つの特殊なアナライザーに分解する。 強力なML/DLと言語モデルベースのベースラインの中で最高の平均性能を達成する。
  論文  参考訳（メタデータ） (2026-05-07T06:17:35Z)
• 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)
• Clinical Cognition Alignment for Gastrointestinal Diagnosis with Multimodal LLMs [63.535652574541764]
  MLLM(Multimodal Large Language Models)は医用画像解析において顕著な可能性を示した。 消化器内視鏡におけるそれらの応用は、現在、2つの重要な限界によって妨げられている。 本稿では,これらの課題に対処する新しい臨床認知アライメント(CogAlign)フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-21T07:47:37Z)
• Guideline-Grounded Evidence Accumulation for High-Stakes Agent Verification [60.18369393468405]
  既存の検証器は通常、ドメイン知識の欠如と限られた校正のために性能が劣る。 GLEANは専門家によって計算されたプロトコルをトラジェクトリインフォームされ、よく校正された正当性信号にコンパイルする。 我々は,MIMIC-IVデータセットから得られた3つの疾患の薬物的臨床診断でGLEANを実証的に検証した。
  論文  参考訳（メタデータ） (2026-03-03T09:36:43Z)
• Suppressing Prior-Comparison Hallucinations in Radiology Report Generation via Semantically Decoupled Latent Steering [94.37535002230504]
  本研究では,Semantically Decoupled Latent Steeringと呼ばれる学習自由な推論時間制御フレームワークを開発した。 提案手法は,大言語モデル (LLM) による意味分解による意味のない介入ベクトルを構築する。 本手法は歴史的幻覚の可能性を著しく低下させることを示す。
  論文  参考訳（メタデータ） (2026-02-27T04:49:01Z)
• Beyond the ATE: Interpretable Modelling of Treatment Effects over Dose and Time [46.2482873419289]
  本研究では, 治療効果トラジェクトリを線量および時間とともに滑らかな表面としてモデル化する枠組みを提案する。 本研究は, 臨床的に有意な特性の特定から, 軌道形状の推定を分離する。 本手法は, 処理力学の精度, 解釈可能, 編集可能なモデルを生成する。
  論文  参考訳（メタデータ） (2025-07-09T20:33:33Z)
• Learning Causally Predictable Outcomes from Psychiatric Longitudinal Data [6.09170287691728]
  縦断的生医学データの因果推論は依然として中心的な課題である。 本アルゴリズムは, 結果集約のための非負の, 臨床的に解釈可能な重みを学習する。 我々のアルゴリズムは因果関係の回復における最先端の手法より一貫して優れている。
  論文  参考訳（メタデータ） (2025-06-19T21:56:30Z)
• 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)
• Ensembled Prediction Intervals for Causal Outcomes Under Hidden Confounding [49.1865229301561]
  本稿では,既存の因果感受性モデルを用いた部分同定手法を提案し,Caus-Modensがより厳密な結果区間を与えることを示す。 3つの異なるベンチマークのうち最後のものは、未知だが探究可能な基底真理を持つ観測実験にGPT-4を新たに使用することである。
  論文  参考訳（メタデータ） (2023-06-15T21:42:40Z)

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。