論文の概要: Making Clinical Language Models Auditable: Concept-Guided Fine-Tuning for Robust Prediction

• arxiv url: http://arxiv.org/abs/2608.27397v1
• Date: Thu, 27 Aug 2026 17:28:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-28 16:30:58.511543
• Title: Making Clinical Language Models Auditable: Concept-Guided Fine-Tuning for Robust Prediction
• Title（参考訳）: 臨床言語モデルの作成:ロバスト予測のための概念ガイド付ファインチューニング
• Abstract要約: 臨床テキスト分類のためのSAEベースのフレームワークであるCAST(Concept-guided Artifact Suppression Tuning)を提案する。 MIMIC-IVの放電ノート死亡予測では、CASTはそれに対応する微調整エンコーダベースラインを改善している。
• 参考スコア（独自算出の注目度）: 3.504408436046102
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Clinical language models can achieve strong in-hospital accuracy yet fail under deployment shifts because they exploit note-specific artifacts (e.g., templates, separators, boilerplate) that do not reflect patient state. We propose CAST (Concept-guided Artifact Suppression Tuning), an SAE-based framework for auditable clinical text classification. CAST uses Sparse Autoencoders to expose sparse, human-auditable features from intermediate Transformer activations, labels SAE latents with an LLM-assisted interpretation pipeline and ICD-10 retrieval constraints, suppresses verified artifact latents via residual subtraction during fine-tuning, and provides post-hoc per-concept attributions for auditing model decisions. On MIMIC-IV discharge-note mortality prediction, CAST improves over its corresponding fine-tuned encoder baselines and remains competitive with strong LLM baselines, while producing a feature-level audit trail of the clinical concepts that support each prediction and the artifact concepts suppressed during training.
• Abstract（参考訳）: 臨床言語モデルは、患者状態を反映しないノート固有のアーティファクト(テンプレート、セパレータ、ボイラープレートなど)を利用するため、デプロイシフト時に強い病院内精度を達成することができるが、失敗する。 臨床テキスト分類のためのSAEベースのフレームワークであるCAST(Concept-guided Artifact Suppression Tuning)を提案する。 CASTはスパースオートエンコーダを使用して、中間のトランスフォーマーアクティベーションからスパースで人間の聴取可能な機能を公開し、LSMアシスト解釈パイプラインとICD-10の検索制約でSAEラテントをラベル付けし、微調整中に残留サブトラクションによって検証済みアーティファクトラテントを抑圧し、オーディニングモデル決定のためのポストホック毎の属性を提供する。 MIMIC-IVの排出ノート死亡予測では、CASTは対応する微調整エンコーダのベースラインを改善し、強力なLCMベースラインと競合する一方で、トレーニング中に抑制された各予測とアーティファクトの概念をサポートする臨床概念の特徴レベル監査証跡を生成する。

関連論文リスト

• Language Models as Interfaces, Not Oracles: A Hybrid LLM-ML System for Pediatric Appendicitis [1.0312968200748116]
  ClaMPAPP(Clinical Language-assisted Machine-learning Pipeline for Appendicitis)は、LLMを最終的な意思決定者ではなくインターフェースとして使用するハイブリッドシステムである。 ドイツの病院から分離した2つの小児虫垂炎コホートに対する ClaMPAPP の評価を行った。
  論文  参考訳（メタデータ） (2026-06-17T15:22:51Z)
• Analyzing and Improving Fine-grained Preference Optimization in Medical LVLMs [53.697403481143404]
  LVLM(Large Vision-Language Models)は、医用画像処理タスクにおいて強力なパフォーマンスを実現している。 しかし、実際の不整合、視力の低下、臨床的に有意義なフィードバックによる不一致が続く傾向にある。
  論文  参考訳（メタデータ） (2026-06-10T18:35:36Z)
• Systematic Evaluation of Large Language Models for Post-Discharge Clinical Action Extraction [0.0]
  本稿では,CLIP分泌ノートデータセットを用いた安全クリティカルな臨床行動抽出のためのゼロショットおよび少数ショット大言語モデル (LLMs) について検討する。 そこで本稿では,物語形式で記述された2段階の退院記譜を,よりきめ細やかに動作可能な臨床タスクに分解する2段階の抽出フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-07T13:05:07Z)
• Beyond Prompt: Fine-grained Simulation of Cognitively Impaired Standardized Patients via Stochastic Steering [58.85421622061983]
  認知障害患者の微粒化シミュレーションのためのStsPatientを提案する。 対照的な命令と応答のペアからステアリングベクトルを抽出することにより、ドメイン固有の特徴を捉える。 StsPatientは、臨床の信頼性と重症度の両方において、ベースラインを著しく上回る。
  論文  参考訳（メタデータ） (2026-04-14T02:37:46Z)
• Agentic Cognitive Profiling: Realigning Automated Alzheimer's Disease Detection with Clinical Construct Validity [66.94391219005291]
  本稿では,臨床プロトコルロジックによる自動スクリーニングを実現するエージェント認知プロファイリング(ACP)を提案する。 我々の設計の中心は、すべての定量化を決定論的関数呼び出しに委譲することで、測定から意味的理解を分離することである。 ACPは、タスク試験で90.5%のスコアマッチ率、AD予測で85.3%の精度を達成し、一般的な基準を上回っている。
  論文  参考訳（メタデータ） (2026-03-18T06:15:35Z)
• NeuroSymb-MRG: Differentiable Abductive Reasoning with Active Uncertainty Minimization for Radiology Report Generation [17.916502111955456]
  NeuroSymb-MRGは,NeuroSymbolic abductive reasoningと能動的不確実性最小化を統合し,構造的,臨床的根拠のある報告を生成する統合フレームワークである。 このシステムは、画像の特徴を確率論的臨床概念にマッピングし、異なる論理ベースの推論チェーンを構成し、それらのチェーンをテンプレート付き節にデコードし、検索と制約付き言語モデル編集を通じてテキスト出力を洗練する。
  論文  参考訳（メタデータ） (2026-03-02T11:31:30Z)
• PREBA: Surgical Duration Prediction via PCA-Weighted Retrieval-Augmented LLMs and Bayesian Averaging Aggregation [51.96735866702332]
  PreBAはPCA重み付き検索とベイズ平均アグリゲーションを統合した検索拡張フレームワークである。 例えば、PreBAはパフォーマンスを大幅に改善し、MAEを最大40%削減し、ゼロショット推論でR2を-0.13から0.62に引き上げる。
  論文  参考訳（メタデータ） (2026-02-27T07:19:23Z)
• Building Safe and Deployable Clinical Natural Language Processing under Temporal Leakage Constraints [39.44014654945035]
  本研究は, 時間的リーク制約の下で安全かつデプロイ可能なNLPを構築するために必要なシステムレベルの設計選択に焦点を当てた。 モデル開発プロセスに解釈可能性を統合する軽量な監査パイプラインを提案し,最終訓練前の漏洩信号の同定と抑制を行う。 その結果, 監査されたモデルの方が, より保守的でキャリブレーションのよい推定値を示し, 放電関連語彙的手がかりへの依存度を低下させることがわかった。
  論文  参考訳（メタデータ） (2026-01-24T01:46:46Z)
• 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)
• TT-XAI: Trustworthy Clinical Text Explanations via Keyword Distillation and LLM Reasoning [0.0]
  本研究は,ドメイン認識型キーワード蒸留による分類性能と解釈性の両方を改善するフレームワークであるTT-XAIを紹介する。 大言語モデル(LLM)を操るキーワード誘導プロンプトを用いて、チェーン・オブ・シークレットな臨床説明を生成する。 全ての評価モダリティはキーワード拡張法を常に好んでおり、蒸留が機械と人間の双方の解釈可能性を高めることを確認している。
  論文  参考訳（メタデータ） (2025-07-30T16:28:10Z)
• AUTOCT: Automating Interpretable Clinical Trial Prediction with LLM Agents [47.640779069547534]
  AutoCTは、大規模言語モデルの推論能力と古典的な機械学習の説明可能性を組み合わせた、新しいフレームワークである。 臨床治験予測タスクにおいて, AutoCT は SOTA 法と同等以上の性能を示した。
  論文  参考訳（メタデータ） (2025-06-04T11:50:55Z)

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。