論文の概要: Patients-like-me: A Variational LM--GNN Framework for Explainable Clinical Prediction

• arxiv url: http://arxiv.org/abs/2608.04193v1
• Date: Tue, 04 Aug 2026 19:51:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-06 14:48:43.618727
• Title: Patients-like-me: A Variational LM--GNN Framework for Explainable Clinical Prediction
• Title（参考訳）: 患者ライクミー : 説明可能な臨床予測のための変分型LM-GNNフレームワーク
• Abstract要約: グラフニューラルネットワーク(GNN)は、患者間の関係を組み込んだ言語モデル(LM)を補完し、参照患者への帰属を可能にする。 我々は,局所的な患者意味論とグローバルコホート構造を統合する統一的なLM-GNNフレームワークを提案する。 MIMIC-IIIとMIMIC-IVの実験は、PLMが常に最先端の手法より優れていることを示している。
• 参考スコア（独自算出の注目度）: 23.48690655415839
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Language models (LMs) offer strong textual representations for electronic health records (EHRs), but they encode patient sequences in isolation and provide limited explainability. Graph neural networks (GNNs) complement LMs by incorporating inter-patient relationships and enabling reference-patient attribution, yet they rely on high-quality patient representations. We propose Patients-like-me (PLM), a unified LM--GNN framework that integrates local patient semantics with global cohort structure. To train PLM efficiently, we introduce a Variational Expectation-Maximization algorithm that alternates LM and GNN updates under a supervised variational objective. Extensive experiments on MIMIC-III and MIMIC-IV show that PLM consistently outperforms state-of-the-art methods, with improvements generalizing across encoder-only and decoder-only LM backbones. These gains are achieved with only modest additional computational overhead. PLM also provides reference-patient explanations by retrieving influential similar patients, while edge-masking experiments confirm that the highest-ranked references have the greatest impact on model predictions.
• Abstract（参考訳）: 言語モデル(LM)は、電子健康記録(EHR)に対して強力なテキスト表現を提供するが、患者シーケンスを分離してエンコードし、説明可能性を制限する。 グラフニューラルネットワーク(GNN)は、患者間の関係を取り入れ、参照患者への帰属を可能にすることによって、LMを補完するが、高品質な患者表現に依存している。 我々は,局所的な患者意味とグローバルなコホート構造を統合する統一的なLM-GNNフレームワークであるPasent-like-me(PLM)を提案する。 PLMを効率的に訓練するために,教師付き変分目的の下でLMとGNNの更新を交換する変分予測最大化アルゴリズムを導入する。 MIMIC-IIIとMIMIC-IVの大規模な実験により、PLMは、エンコーダのみおよびデコーダのみのLMバックボーンの一般化により、最先端の手法よりも一貫して優れていることが示された。 これらのゲインは、わずかな計算オーバーヘッドでのみ達成される。 PLMはまた、影響のある類似した患者を検索することで、参照患者の説明を提供する一方、エッジマスキング実験は、最上位の参照がモデル予測に最も大きな影響を与えることを確認している。

関連論文リスト

• Unifying Acoustic Features and Text with Multimodal LLMs for Neurodegenerative Screening [5.760251413371908]
  NeurMLLMは神経変性疾患のステージングのための効率的なフレームワークである。 NeurMLLMは、視覚変換器を用いた音声データのスペクトログラムとメル周波数ケプストラム係数を符号化する。 その表現を、大きな言語モデルの埋め込み空間に投影する。
  論文  参考訳（メタデータ） (2026-06-10T21:43:44Z)
• Agentifying Patient Dynamics within LLMs through Interacting with Clinical World Model [57.78184285979881]
  敗血症治療推奨のための世界モデル拡張LDMエージェントであるSepsisAgentを紹介する。 SepsisAgentは、学習された臨床世界モデルを使用して、候補の流体圧薬の介入下での患者の反応をシミュレートする。
  論文  参考訳（メタデータ） (2026-05-14T11:50:00Z)
• RePrompT: Recurrent Prompt Tuning for Integrating Structured EHR Encoders with Large Language Models [12.004161606345084]
  本稿では,構造化EHRエンコーダを即時チューニングにより統合する時間認識フレームワークRePrompTを紹介する。 MIMIC-IIIとMIMIC-IVの実験では、RePrompTはEHRベースのベースラインとLLMベースのベースラインの両方を一貫して上回っている。
  論文  参考訳（メタデータ） (2026-04-20T02:20:13Z)
• 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)
• Enhancing In-Hospital Mortality Prediction Using Multi-Representational Learning with LLM-Generated Expert Summaries [3.5508427067904864]
  ICU患者の院内死亡率(IHM)予測は、時間的介入と効率的な資源配分に重要である。 本研究は、構造化された生理データと臨床ノートをLarge Language Model(LLM)によって生成された専門家要約と統合し、IHM予測精度を向上させる。
  論文  参考訳（メタデータ） (2024-11-25T16:36:38Z)
• AI Hospital: Benchmarking Large Language Models in a Multi-agent Medical Interaction Simulator [69.51568871044454]
  我々は,emphDoctorをプレイヤとして,NPC間の動的医療相互作用をシミュレーションするフレームワークであるtextbfAI Hospitalを紹介した。 この設定は臨床シナリオにおけるLCMの現実的な評価を可能にする。 高品質な中国の医療記録とNPCを利用したマルチビュー医療評価ベンチマークを開発した。
  論文  参考訳（メタデータ） (2024-02-15T06:46:48Z)
• 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)
• On the Relation between Internal Language Model and Sequence Discriminative Training for Neural Transducers [52.88268942796418]
  内部言語モデル(ILM)のサブトラクションは、RNN-Transducerの性能向上に広く応用されている。 列識別訓練は, 理論的, 経験的両面からILMサブトラクションと強く相関していることを示す。
  論文  参考訳（メタデータ） (2023-09-25T13:35:28Z)
• Large Language Models for Healthcare Data Augmentation: An Example on Patient-Trial Matching [49.78442796596806]
  患者-心電図マッチング(LLM-PTM)のための革新的なプライバシ対応データ拡張手法を提案する。 本実験では, LLM-PTM法を用いて平均性能を7.32%向上させ, 新しいデータへの一般化性を12.12%向上させた。
  論文  参考訳（メタデータ） (2023-03-24T03:14:00Z)
• CNN-LSTM Based Multimodal MRI and Clinical Data Fusion for Predicting Functional Outcome in Stroke Patients [1.5250925845050138]
  脳卒中患者の管理において臨床結果予測は重要な役割を担っている。 機械学習の観点から見ると、大きな課題のひとつは異種データを扱うことだ。 本稿では,長い短期記憶(CNN-LSTM)に基づくアンサンブルモデルを提案する。
  論文  参考訳（メタデータ） (2022-05-11T14:46:01Z)

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。