Fugu-MT 論文翻訳(概要): xMICD: Explainable Representation of Multiple ICD Codes

論文の概要: xMICD: Explainable Representation of Multiple ICD Codes

arxiv url: http://arxiv.org/abs/2608.00935v1
Date: Sun, 02 Aug 2026 02:24:57 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-04 15:07:25.028991
Title: xMICD: Explainable Representation of Multiple ICD Codes
Title（参考訳）: xMICD: 複数のICDコードの説明可能な表現
Authors: Pat Vatiwutipong, Kumkup Keeratisiwakul, Albert Phuoc Kien Van Truong, Nutcha Yodrabum, Wasin Pansiritanachot, Marvin N. Wright, Thanapon Noraset,
Abstract要約: 多重ICD符号(xMICD)の説明可能な表現法を提案する。 xMICDは、トレーニング済みのICD埋め込み空間において、臨床的に有意な診断グループ化と類似性を組み合わせたものである。大規模なEHRデータセットの実験は、xMICDが埋め込みベースの表現に匹敵する予測性能を達成することを示した。
参考スコア（独自算出の注目度）: 1.3737015767235696
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Electronic Health Records (EHRs) are widely used for clinical risk prediction using machine learning. International Classification of Diseases (ICD) codes provide structured information about patient diagnoses, but representing them effectively remains challenging. Existing approaches often face a trade-off between predictive performance and interpretability: grouping-based representations are interpretable but may lose information, while embedding-based representations achieve strong predictive performance but are difficult to interpret. We propose Explainable Representation of Multiple ICD Codes (xMICD), a method for constructing low-dimensional patient representations from sets of ICD codes. xMICD combines clinically meaningful diagnostic groupings with similarity in a pre-trained ICD embedding space. Instead of using binary group membership, the method assigns codes to groups via similarity-based relative assignments, yielding features that reflect how closely a patient's diagnoses align with each clinical group. Experiments on large-scale EHR datasets demonstrate that xMICD achieves predictive performance comparable to embedding-based representations such as ICD2Vec across multiple clinical prediction tasks. At the same time, the resulting features remain clinically interpretable because each dimension corresponds to a recognizable diagnostic group. xMICD therefore provides a practical way to integrate embedding-based semantic relationships into interpretable clinical feature spaces for machine learning models.
Abstract（参考訳）: EHR(Electronic Health Records)は、機械学習を用いた臨床リスク予測に広く利用されている。国際疾患分類(ICD)は、患者の診断に関する構造化情報を提供するが、効果的にそれらを表現することは困難である。グループベースの表現は解釈可能であるが、情報を失う可能性がある一方で、埋め込みベースの表現は強い予測性能を達成するが、解釈が困難である。 ICD符号の集合から低次元の患者表現を構築するための方法として,XMICD(Explainable Representation of Multiple ICD Codes)を提案する。 xMICDは、トレーニング済みのICD埋め込み空間において、臨床的に有意な診断グループ化と類似性を組み合わせたものである。この方法は、バイナリグループメンバーシップを使用する代わりに、類似性に基づく相対的な割り当てを通じてグループにコードを割り当て、患者の診断が各臨床グループとどの程度密接に一致しているかを反映する特徴を与える。大規模なEHRデータセットの実験では、xMICDは複数の臨床予測タスクにまたがるICD2Vecのような埋め込みベースの表現に匹敵する予測性能を達成している。同時に、各次元が認識可能な診断群に対応するため、得られた特徴は臨床的に解釈可能である。 xMICDは、機械学習モデルのための解釈可能な臨床特徴空間に埋め込みに基づく意味関係を統合する実用的な方法を提供する。

関連論文リスト

Dementia Etiology Diagnosis via Collaborative Meta Knowledge Enhancement [81.27196033392559]
認知症発症診断のための協調的メタ知識向上(COME)フレームワークを提案する。 COMEは、マルチセンタ取得セマンティクス、ソース識別子、モダリティインジケータを異種性を認識した埋め込みとして、スケールアップトレーニングのためにTransformerアーキテクチャに注入する。本手法は,平均マクロ平均AUCが85.62%,最強ベースラインが4.29ポイント向上し,最先端のドメイン性能を実現する。
論文参考訳（メタデータ） (2026-07-24T04:26:47Z)
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)
Interpretable Clinical Classification with Kolgomorov-Arnold Networks [70.72819760172744]
Kolmogorov-Arnold Networks (KAN) は、透明で象徴的な表現を通じて固有の解釈能力を提供する。 Kansは、組み込みの患者レベルの洞察、直感的な可視化、最寄りの患者の検索をサポートする。これらの結果は、カンを、臨床医が理解し、監査し、行動できる信頼できるAIへの有望なステップと位置づけている。
論文参考訳（メタデータ） (2025-09-20T17:21:58Z)
An MLI-Guided Framework for Subgroup-Aware Modeling in Electronic Health Records (AdaptHetero) [0.18416014644193068]
AdaptHeteroは、解釈可能性の洞察を実行可能なガイダンスに変換する、新しいMLI駆動のフレームワークである。 AdaptHeteroは、ICU死亡率、院内死亡率、隠された低酸素症を予測するための不均一なモデル挙動を一貫して明らかにしている。
論文参考訳（メタデータ） (2025-07-28T04:37:03Z)
Clinical NLP with Attention-Based Deep Learning for Multi-Disease Prediction [44.0876796031468]
本稿では,電子健康記録テキストの非構造的性質と高次元意味論的複雑さがもたらす課題について論じる。情報抽出と多ラベル病予測のための統合モデリングを実現するために,注意機構に基づく深層学習手法を提案する。
論文参考訳（メタデータ） (2025-07-02T07:45:22Z)
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)
Improving ICD-based semantic similarity by accounting for varying degrees of comorbidity [39.58317527488534]
疾患と関連する健康問題(ICD)の国際統計分類は、疾患をコードするために世界中で使用されている。意味的類似性アルゴリズムを用いて、ICDコードに基づく患者の類似性を計算することができる。 ICD-code セットに基づく意味的類似性の観点から,80種類の確立されたアルゴリズムの組み合わせの性能を比較した。
論文参考訳（メタデータ） (2023-08-14T14:56:07Z)
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)
Ambiguous Medical Image Segmentation using Diffusion Models [60.378180265885945]
我々は,グループ洞察の分布を学習することで,複数の可算出力を生成する単一拡散モデルに基づくアプローチを提案する。提案モデルでは,拡散の固有のサンプリングプロセスを利用してセグメンテーションマスクの分布を生成する。その結果,提案手法は既存の最先端曖昧なセグメンテーションネットワークよりも優れていることがわかった。
論文参考訳（メタデータ） (2023-04-10T17:58:22Z)
Patient Aware Active Learning for Fine-Grained OCT Classification [12.89552245538411]
本稿では,アクティブラーニングのサンプル選択プロセスに臨床知見を取り入れたフレームワークを提案する。医学的に解釈可能な能動学習フレームワークは, OCT分類の性能向上のために, 患者から多彩な疾患の徴候を捉えている。
論文参考訳（メタデータ） (2022-06-23T05:47:51Z)

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。