論文の概要: What Can Artificial Intelligence Learn from Medicine? Generative Analogies and Reliable Machine Learning Systems

• arxiv url: http://arxiv.org/abs/2608.18186v1
• Date: Tue, 18 Aug 2026 09:29:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-20 20:13:55.174118
• Title: What Can Artificial Intelligence Learn from Medicine? Generative Analogies and Reliable Machine Learning Systems
• Title（参考訳）: 人工知能は医学から何が学べるか : 生成アナロジーと信頼性のある機械学習システム
• Abstract要約: 我々は、臨床翻訳の令状を、リビビリストの言葉で特定する。 これは、AIの哲学における既存のリビビリストのアカウントとは異なる、MLリビリストの新たな形態にどのように影響を与えるかを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In the past few years, machine learning (ML) has been widely (and to an extent, successfully) implemented in medicine. However, uncertainties surrounding ML have made it difficult to establish the bases of its epistemic and methodological warrants. In the literature, a parallel has been drawn between medicine and ML, suggesting that we should model epistemic and methodological standards for ML on the standards of clinical translation. By developing tools from Hesse work, we characterise the nature of this parallel as a generative analogy between the process of clinical translation and the process of building ML systems. We identify more precisely the epistemic and methodological warrants of clinical translation that are typically only mentioned when appealing to the analogy, and we show in which sense such warrants apply analogically to the context of ML. In particular, we interpret warrants of clinical translation in reliabilist terms, and we show how this can inform a new form of ML reliabilism, which is distinct from (though compatible with) existing reliabilist accounts in philosophy of AI.
• Abstract（参考訳）: 過去数年間、機械学習(ML)は医学において広く(そしてある程度、成功した)実装されてきた。 しかし、MLを取り巻く不確実性は、その疫学的および方法論的令状の基礎を確立するのを困難にしている。 文献では,臨床翻訳の基準に基づいて,MLの疫学的および方法論的基準をモデル化すべきであることが示唆された。 ヘッセン研究のツールを開発することにより,臨床翻訳のプロセスとMLシステム構築のプロセスとの間の生成的な類似点として,この並列性の性質を特徴づける。 我々は, 典型的には類似に訴える場合にのみ言及される臨床翻訳の疫学的・方法論的令状をより正確に同定し, このような令状がMLの文脈に類似して適用されるかを示す。 特に、リビビリストの用語で臨床翻訳の令状を解釈し、AI哲学における既存のリビビリストのアカウントとは(互換性はあるものの)異なるMLリラクタリズムの新たな形態をどう伝えるかを示す。

関連論文リスト

• Scaling Up Formal Representation of Clinical Trial Protocols in Ensemble Logic Using LLMs: A Preliminary Study [11.275255137659016]
  我々は、物語の臨床プロトコルをTEL式に変換するためのCT-TELワークフローを紹介した。 ClinicalTrials.govから23の現実世界での臨床試験の論理モデルを作成しました。 結果としてのセマンティック保持は、LLMが計算可能な論理に非公式なプロトコルをマッピングするための経路を提供するかもしれないことを示唆している。
  論文  参考訳（メタデータ） (2026-07-23T13:31:05Z)
• Position: Genomic Model Research Must Move Beyond Anecdotal Evaluation of Interpretability Methods [8.920725431658777]
  臨床試験に類似した妥当性検証の枠組みについて論じる。 試行が厳密な設計と不適切な報告を必要とするのと同じように、ゲノム解釈は桜の図面上の可視性を超える必要がある。
  論文  参考訳（メタデータ） (2026-05-29T12:20:12Z)
• Medical Reasoning in the Era of LLMs: A Systematic Review of Enhancement Techniques and Applications [59.721265428780946]
  医学における大きな言語モデル(LLM)は印象的な能力を実現しているが、体系的で透明で検証可能な推論を行う能力に重大なギャップが残っている。 本稿は、この新興分野に関する最初の体系的なレビューを提供する。 本稿では,学習時間戦略とテスト時間メカニズムに分類した推論強化手法の分類法を提案する。
  論文  参考訳（メタデータ） (2025-08-01T14:41:31Z)
• LLaVA-RadZ: Can Multimodal Large Language Models Effectively Tackle Zero-shot Radiology Recognition? [59.81732629438753]
  LLaVA-RadZは、既存のMLLM機能を利用して、ゼロショットの医療疾患認識のための、シンプルで効果的なフレームワークである。 具体的には、MLLMデコーダアーキテクチャの特性を活用するために、DFAT(Decoding-Side Feature Alignment Training)と呼ばれるエンドツーエンドのトレーニング戦略を設計する。 また,大規模モデルの本質的な医学的知識を活用するために,DKAM(Domain Knowledge Anchoring Module)を導入する。
  論文  参考訳（メタデータ） (2025-03-10T16:05:40Z)
• Large Language Model Distilling Medication Recommendation Model [58.94186280631342]
  大規模言語モデル(LLM)の強力な意味理解と入力非依存特性を利用する。 本研究は, LLMを用いて既存の薬剤推奨手法を変換することを目的としている。 これを軽減するため,LLMの習熟度をよりコンパクトなモデルに伝達する機能レベルの知識蒸留技術を開発した。
  論文  参考訳（メタデータ） (2024-02-05T08:25:22Z)
• Detecting Shortcut Learning for Fair Medical AI using Shortcut Testing [62.9062883851246]
  機械学習は医療の改善に大いに貢献するが、その利用が健康格差を広めたり増幅したりしないことを確実にすることは重要である。 アルゴリズムの不公平性の潜在的な要因の1つ、ショートカット学習は、トレーニングデータにおける不適切な相関に基づいてMLモデルが予測した時に発生する。 マルチタスク学習を用いて,臨床MLシステムの公平性評価の一環として,ショートカット学習の評価と緩和を行う手法を提案する。
  論文  参考訳（メタデータ） (2022-07-21T09:35:38Z)
• From Correlation to Causation: Formalizing Interpretable Machine Learning as a Statistical Process [5.685330654239804]
  我々は、XAIの最大のサブグループ、解釈可能な機械学習(IML)と古典統計学の概念的類似性について詳述する。 この統計的視点を採用することで、機械学習モデルとAIM手法を洗練された統計ツールとして解釈することができる。
  論文  参考訳（メタデータ） (2022-07-11T15:49:14Z)
• A Review of Published Machine Learning Natural Language Processing Applications for Protocolling Radiology Imaging [0.02408121010538496]
  機械学習(ML)は人工知能(AI)のサブフィールドであり、放射線学におけるその応用は絶えず加速している。 自然言語処理(NLP)は、テキスト解釈タスクのMLと組み合わせることができるが、放射線学にも多くの応用が考えられる。 そのような応用の1つは、臨床放射線学参照を解釈し、適切な撮像技術を選択することを含む放射線学プロトコルの自動化である。
  論文  参考訳（メタデータ） (2022-06-23T06:57:33Z)
• The Role of Explainability in Assuring Safety of Machine Learning in Healthcare [9.462125772941347]
  本稿では、MLベースのシステムの安全性保証に説明可能なAI手法が寄与する方法について述べる。 結果は安全引数として表現され、どのようにして説明可能なAIメソッドが安全ケースに寄与できるかを示す。
  論文  参考訳（メタデータ） (2021-09-01T09:32:14Z)
• VBridge: Connecting the Dots Between Features, Explanations, and Data for Healthcare Models [85.4333256782337]
  VBridgeは、臨床医の意思決定ワークフローに機械学習の説明をシームレスに組み込むビジュアル分析ツールである。 我々は,臨床医がMLの特徴に慣れていないこと,文脈情報の欠如,コホートレベルの証拠の必要性など,3つの重要な課題を特定した。 症例スタディと専門医4名のインタビューを通じて, VBridgeの有効性を実証した。
  論文  参考訳（メタデータ） (2021-08-04T17:34:13Z)
• UmlsBERT: Clinical Domain Knowledge Augmentation of Contextual Embeddings Using the Unified Medical Language System Metathesaurus [73.86656026386038]
  事前学習プロセス中にドメイン知識を統合するコンテキスト埋め込みモデルであるUmlsBERTを紹介する。 これらの2つの戦略を適用することで、UmlsBERTは、臨床領域の知識を単語埋め込みにエンコードし、既存のドメイン固有モデルより優れている。
  論文  参考訳（メタデータ） (2020-10-20T15:56:31Z)

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。