論文の概要: INTERVenE: Temporal-Abstraction-Interval Based Transformers for Short-Horizon Medical Event Prediction
- arxiv url: http://arxiv.org/abs/2608.29901v1
- Date: Sun, 30 Aug 2026 16:52:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-01 18:31:31.102632
- Title: INTERVenE: Temporal-Abstraction-Interval Based Transformers for Short-Horizon Medical Event Prediction
- Title（参考訳）: InterVenE:短期医療イベント予測のための時間抽象インターバル変換器
- Abstract要約: 本論文では, 時間的知識に基づく時間的抽象化(KBTA)について述べる。
57,078MIMIC-IVのGRU-D, STraTS, KarmaLegoに対する投与成績について検討した。
入力表現アブレーションは、KBTAベースの間隔を解釈可能な基質として、構造化された離散化をまたいだリフト転送を確認する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Electronic Health Record (EHR) prediction models in the intensive care unit must learn from sparse and irregular measurements while preserving the clinical meaning of time and supporting transparent decision-making. We present INTERVenE, a family of Transformer architectures whose input is an interval-based, knowledge-based temporal abstraction (KBTA), a token stream of named clinical concepts (states, trends, events, contexts) drawn from a curated medical ontology, rather than an unnamed bin index or a raw measurement triplet. This naming layer is what we ask KBTA to do: it makes the model's per-token attributions resolve to clinical concepts by construction. INTERVenE offers two complementary variants: an auto-regressive decoder that generates future abstraction trajectories with a per-step risk readout (localizing \emph{when} and \emph{after which events} risk rises), and a bidirectional encoder for single-pass joint risk and time-to-event prediction. Evaluated on 57,078 MIMIC-IV admissions against GRU-D, STraTS, and KarmaLego, INTERVenE-Enc reaches a support-weighted AUPRC$_w$ of 0.672, improving by 0.041 over the strongest neural baseline with non-overlapping 95\% bootstrap CIs, while also taking the best AUROC$_w$ (0.901) and length-of-stay MAE (44.4\,h). INTERVenE-Ar (AUROC$_w$ $0.854$, AUPRC$_w$ $0.587$ under the same evaluation contract - a strictly harder generative readout) provides a complementary token-level risk trajectory. An input-representation ablation confirms the lift transfers across structured discretizations, positioning KBTA-based intervals as the interpretable substrate that makes per-token attributions resolve to meaningful clinical concepts within the deployed model.
- Abstract（参考訳）: 集中治療室における電子健康記録(EHR)予測モデルは、時間的臨床的意味を保ち、透明な意思決定を支援するとともに、スパースおよび不規則な測定から学ばなければならない。
筆者らは、インタプリタがインターバルベースで知識に基づく時間的抽象化(KBTA)であるトランスフォーマーアーキテクチャのファミリである InterVenE について、未命名のビンインデックスや生計測三重項ではなく、キュレートされた医療オントロジーから引き出された名前付き臨床概念(状態、傾向、事象、文脈)のトークンストリームである。
この命名レイヤーはKBTAに対して、モデル毎の属性を構成によって臨床概念に分解させる。
InterVenEは2つの相補的なバリエーションを提供している: 自動回帰デコーダは、ステップごとのリスクリードアウト(イベントのリスクが上昇する \emph{when} と \emph{after} の局所化)で将来の抽象化トラジェクトリを生成する。
GRU-D、STraTS、KarmaLegoに対する57,078MIMIC-IVの入院の評価では、InterfaceVenE-Encはサポート強化されたAUPRC$_w$が0.672に達した。
InterVenE-Ar (AUROC$_w$$0.854$, AUPRC$_w$0.587$)は、トークンレベルのリスクトラジェクトリを提供する。
Input-representation ablationは、KBTAをベースとした間隔を解釈可能な基質として位置づけ、各帰属をデプロイモデル内の有意義な臨床的概念に分解する。
関連論文リスト
- ProCA: Progressive Contrastive Alignment for Robust EEG Visual Decoding [47.35612571473169]
EEGビジュアルデコーディングは、非侵襲的な神経時系列信号から視覚的セマンティクスを回復することを目的としている。
既存の手法は固定された視覚的あるいはテキスト的アンカーに依存しており、その意味的関係は、試行錯誤、主題、学習段階によって異なる脳波表現と一致している可能性がある。
本稿では,適応型ニューラル・セマンティックアライメントのための統一的でモデルに依存しないフレームワークであるProgressive Contrastive Alignment(ProCA)を提案する。
論文 参考訳（メタデータ） (2026-09-04T12:48:25Z) - Learning Unsteady Aneurysm Hemodynamics with Physics-Informed DeepONets [0.0]
M3PI-DeepONetは、平均相対的なL2速度誤差を4%以下、圧力誤差を5%程度で、非定常な3次元流速と圧力場を同時に予測する。
本研究は, 心血管疾患モデルにおける深層学習の応用を推し進め, リアルタイム非侵襲的臨床診断への一歩を踏み出した。
論文 参考訳（メタデータ） (2026-08-13T09:08:24Z) - Synergistic Perception-Reasoning Governance: Grounding Medical MLLMs with Verifiable Anatomical Evidence [45.78409219344429]
マルチモーダル大言語モデル (MLLM) は, 臨床VQAと放射線学報告の生成に強い期待を示すが, 推測時幻覚は信頼性を損なう。
本稿では,両面のエビデンス注入による幻覚を系統的に緩和する,総合的かつトレーニング不要なエビデンス注入フレームワークを提案する。
textttLLaVA-1.5-7B, texttLLaVA-Med-1.5-7B, texttQwen3-VL-8B/32B, textttInternVL を用いた2つのタスクと5つのデータセットの系統的評価を行った。
論文 参考訳（メタデータ） (2026-06-30T08:07:25Z) - CLSP-REQA: A Real-Time Quality-Aware Closed-Loop Seizure Prediction Framework with Mamba-BiLSTM and Confidence-Gated Intervention [9.946196838806838]
CLSP-REQA (リアルタイム脳波品質評価によるクローズドループシーズーア予測)
Real-time EEG Quality Assessment (REQA)モジュールは、Mamba-BiLSTMバックボーンと並行して動作する。
クローズドループニューロ刺激インタフェースと直接互換性のある構造付き4タプルを出力する。
論文 参考訳（メタデータ） (2026-05-21T16:44:40Z) - ProtoMedAgent: Multimodal Clinical Interpretability via Privacy-Aware Agentic Workflows [7.27267618572654]
ProtoMedAgentは、反復的なゼロ段階のテスト時間最適化問題としてマルチモーダルな臨床報告を定式化する。
オンライン生成は、厳密な集合論微分と反射的スクリーブ・クリティカルループによって制限される。
ProtoMedAgentは91.2%の比較集合Fithfulnessを実現し、標準RAG(46.2%)を根本的に上回る
論文 参考訳（メタデータ） (2026-05-13T20:57:37Z) - Differentiable latent structure discovery for interpretable forecasting in clinical time series [38.473526928012724]
連続時間多タスクガウス過程であるStructGPを導入し, 基本的不確かさを保ちながら, 相違構造学習と相違構造学習を組み合わせ, 相互依存の有向非巡回グラフ(DAG)を導出する。
LP-StructGPは,被験者特異的カップリングフィルタとソフトマックスゲーティング機構を用いて,患者間の進行パターンを捉えることで,StructGPを潜在経路に分割し,時間的に変化する軌跡を増大させる。
論文 参考訳（メタデータ） (2026-04-30T14:59:50Z) - MATA-Former & SIICU: Semantic Aware Temporal Alignment for High-Fidelity ICU Risk Prediction [8.92515305370631]
本稿では,予測モデリングを臨床論理と整合させる枠組みを提案する。
我々は,二項分類を連続的多軸回帰に変換するためのプラトー・ガウスソフトラベリング(PSL)を導入する。
本フレームワークは,テキスト集約的,不規則な臨床時系列からリスクを捕捉する上で,優れた有効性と堅牢な一般化を示す。
論文 参考訳（メタデータ） (2026-04-02T07:45:52Z) - HypeMed: Enhancing Medication Recommendations with Hypergraph-Based Patient Relationships [42.256653836522936]
HypeMedは2段階のハイパーグラフベースのフレームワークで、ビジット内コヒーレンスモデリングとビジット間の拡張を統合している。
第一段階では、MedRepは知識を意識した対照的な事前トレーニングを通じて、臨床訪問をハイパーエッジとしてエンコードし、グローバルに一貫した検索フレンドリーな埋め込みスペースを作り出す。
第2段階では、SimMRはこの領域内で動的検索を行い、検索された参照を患者の経時的データと融合させ、薬の予測を洗練させる。
論文 参考訳（メタデータ） (2026-03-19T03:40:02Z) - 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) - Transparent Early ICU Mortality Prediction with Clinical Transformer and Per-Case Modality Attribution [42.85462513661566]
ICU滞在後48時間から, 生理的時系列測定と非構造的臨床記録とを融合した, 軽量で透明なマルチモーダルアンサンブルを提案する。
ロジスティック回帰モデルは、バイタル用双方向LSTMとノート用微調整された臨床ModernBERT変換器の2つのモード固有モデルからの予測を組み合わせる。
MIMIC-IIIベンチマークでは、遅延融合アンサンブルは、よく校正された予測を維持しながら、最高の単一モデルに対する差別を改善する。
論文 参考訳（メタデータ） (2025-11-19T20:11:49Z) - A Novel Attention-Augmented Wavelet YOLO System for Real-time Brain Vessel Segmentation on Transcranial Color-coded Doppler [49.03919553747297]
我々は,脳動脈を効率よく捉えることができるAIを利用したリアルタイムCoW自動分割システムを提案する。
Transcranial Color-coded Doppler (TCCD) を用いたAIによる脳血管セグメンテーションの事前研究は行われていない。
提案したAAW-YOLOは, 異方性および対側性CoW容器のセグメンテーションにおいて高い性能を示した。
論文 参考訳（メタデータ） (2025-08-19T14:41:22Z)
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。