論文の概要: LLM4CKD: Large Language Models for Early Stage Chronic Kidney Disease Screening

• arxiv url: http://arxiv.org/abs/2609.04013v1
• Date: Thu, 03 Sep 2026 15:53:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-04 18:28:39.145659
• Title: LLM4CKD: Large Language Models for Early Stage Chronic Kidney Disease Screening
• Title（参考訳）: LLM4CKD:早期慢性腎臓病スクリーニングのための大規模言語モデル
• Abstract要約: 本研究では、ゼロショットおよび少数ショットのインコンテキスト学習環境下でのCKDスクリーニングにおける大規模言語モデル(LLM)の有効性を評価する。 LLMは少数の例だけで競争力のある性能を達成でき、多くの場合、ローデータ設定における従来のアプローチよりも優れている。 LLMはラベル付きデータに制限がある場合、CKDスクリーニングの柔軟な補完手法として機能する。
• 参考スコア（独自算出の注目度）: 0.5442955439283729
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Early screening of chronic kidney disease (CKD) is critical for timely intervention, yet most machine learning (ML) and deep learning (DL) approaches require labeled data and model training, limiting their use in real-world screening settings. This study evaluates the effectiveness of large language models (LLMs) for CKD screening under zero-shot and few-shot in-context learning settings and compares them with traditional ML and DL methods. We propose a framework that uses clinically selected tabular features and structured prompt templates to enable LLM-based inference without task-specific training. LLM performance is evaluated across multiple prompt styles, feature configurations, and data settings, and compared with standard ML, DL, and tabular foundation model (TFM) baselines, and existing CKD screening tools. The results show that LLMs can achieve competitive performance using only a small number of examples, often matching or outperforming traditional approaches in low-data settings. However, their performance remains model-dependent and less stable as input complexity increases. In contrast, ML, DL, and TFM models show more consistent improvement with larger training data. Overall, the findings highlight a trade-off between data efficiency and stability, suggesting that LLMs may serve as a flexible complementary approach for CKD screening when labeled data are limited.
• Abstract（参考訳）: 慢性腎臓病(CKD)の早期スクリーニングは、時間的に介入するために重要であるが、ほとんどの機械学習(ML)とディープラーニング(DL)アプローチはラベル付きデータとモデルトレーニングを必要とし、実際のスクリーニング設定での使用を制限する。 本研究では、ゼロショットおよび少数ショットのインコンテキスト学習環境下でのCKDスクリーニングにおける大規模言語モデル(LLM)の有効性を評価し、従来のMLおよびDL手法と比較する。 臨床選択した表状特徴と構造化プロンプトテンプレートを用いて,タスク固有のトレーニングを使わずにLLMベースの推論を可能にするフレームワークを提案する。 LLMのパフォーマンスは、複数のプロンプトスタイル、機能設定、データ設定で評価され、標準のML、DL、表層基盤モデル(TFM)ベースライン、既存のCKDスクリーニングツールと比較される。 その結果,LLMは少数の例のみを用いて,低データ設定における従来の手法のマッチングや性能向上を図っている。 しかし、それらの性能はモデルに依存しており、入力の複雑さが増大するにつれて安定しない。 対照的に、ML、DL、TFMモデルは、より大きなトレーニングデータでより一貫性のある改善を示している。 全体として、データ効率と安定性のトレードオフが強調され、ラベル付きデータが制限された場合、LCMはCKDスクリーニングの柔軟な補完的アプローチとして機能する可能性が示唆された。

関連論文リスト

• From Many to Meaningful: Feature-Guided Zero-Shot Chronic Kidney Disease Screening Using Large Language Models [0.5442955439283729]
  本研究では,ゼロショット環境でのCKD早期スクリーニングにおける大規模言語モデル(LLM)の有用性について検討した。 臨床的に意味があり,手軽に利用できるコミュニティベースの機能セットを用いて,LCMの性能を評価する機能誘導フレームワークを提案する。 汎用性は3つの国にまたがる3つの異種CKDデータセットで評価された。
  論文  参考訳（メタデータ） (2026-07-14T02:00:58Z)
• Rethinking Large Language Models For Irregular Time Series Classification In Critical Care [21.37241228209626]
  集中治療室(ICU)からの時系列データは、患者のモニタリングに重要な情報を提供する。 近年,Large Language Models (LLM) を時系列モデリング (TSM) に適用する研究が進んでいる。 本研究では、時系列エンコーダとマルチモーダルアライメント戦略の2つの重要な要素について検討する。
  論文  参考訳（メタデータ） (2026-01-23T07:30:02Z)
• SPaRFT: Self-Paced Reinforcement Fine-Tuning for Large Language Models [51.74498855100541]
  大規模言語モデル(LLM)は、強化学習(RL)による微調整時に強い推論能力を示す。 トレーニング対象のモデルの性能に基づいて,効率的な学習を可能にする自己評価学習フレームワークである textbfSPaRFT を提案する。
  論文  参考訳（メタデータ） (2025-08-07T03:50:48Z)
• Model Utility Law: Evaluating LLMs beyond Performance through Mechanism Interpretable Metric [99.56567010306807]
  大規模言語モデル(LLM)は、学術、産業、そして日々のアプリケーションに欠かせないものになっている。 大規模言語モデル (LLM) 時代における評価の課題の1つは一般化問題である。 従来の性能スコアを補完するメカニズムの解釈可能性向上指標であるモデル利用指数(MUI)を提案する。
  論文  参考訳（メタデータ） (2025-04-10T04:09:47Z)
• Efficient Model Selection for Time Series Forecasting via LLMs [52.31535714387368]
  本稿では,Large Language Models (LLM) をモデル選択の軽量な代替手段として活用することを提案する。 提案手法は, LLMの固有知識と推論能力を活用することで, 明示的な性能行列の必要性を解消する。
  論文  参考訳（メタデータ） (2025-04-02T20:33:27Z)
• Large Language Models are Few-shot Multivariate Time Series Classifiers [23.045734479292356]
  大規模言語モデル (LLM) は時系列解析に広く応用されている。 しかし、数発の分類(すなわち重要な訓練シナリオ)におけるそれらの実用性は過小評価されている。 データ不足を克服するために,LLMの学習済み知識を幅広く活用することを目的としている。
  論文  参考訳（メタデータ） (2025-01-30T03:59:59Z)
• AutoElicit: Using Large Language Models for Expert Prior Elicitation in Predictive Modelling [53.54623137152208]
  我々はAutoElicitを導入し、大規模言語モデルから知識を抽出し、予測モデルのための事前構築を行う。 これらの先行情報は情報的であり、自然言語を用いて洗練できることを示す。 AutoElicitは、非形式的な事前よりもエラーを大幅に減らし、ラベルを減らし、コンテクスト内学習を一貫して上回ります。
  論文  参考訳（メタデータ） (2024-11-26T10:13:39Z)
• Learning with Less: Knowledge Distillation from Large Language Models via Unlabeled Data [54.934578742209716]
  現実世界のNLPアプリケーションでは、Large Language Models (LLMs) は巨大なデータセットの広範なトレーニングのために、有望なソリューションを提供する。 LLKDは、教師と学生の両方の信号を組み込んだ適応的なサンプル選択法である。 総合的な実験により,LLKDは高いデータ効率で,様々なデータセットで優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2024-11-12T18:57:59Z)
• Understanding Why Large Language Models Can Be Ineffective in Time Series Analysis: The Impact of Modality Alignment [16.147350486106777]
  大規模言語モデル (LLM) は時系列解析において顕著な性能を示した。 しかしながら、LLMは時系列タスク用に設計されていないため、線形回帰のような単純なモデルは、しばしば同等のパフォーマンスを達成することができる。
  論文  参考訳（メタデータ） (2024-10-16T07:47:31Z)
• Self-training Large Language Models through Knowledge Detection [26.831873737733737]
  大規模な言語モデル(LLM)は、ダウンストリームタスク間で印象的なパフォーマンスを達成するために、広範囲のラベル付きデータセットとトレーニング計算を必要とすることが多い。 本稿では,LLMが独自ラベルを自動でキュレートし,未知のデータサンプルを選択的に学習する自己学習パラダイムについて検討する。 経験的評価は、複数の被験者にまたがる世代における幻覚の減少に有意な改善を示した。
  論文  参考訳（メタデータ） (2024-06-17T07:25:09Z)
• XAI4LLM. Let Machine Learning Models and LLMs Collaborate for Enhanced In-Context Learning in Healthcare [16.79952669254101]
  本稿では,大規模言語モデルによる構造化された臨床データ処理を実現するための知識誘導型インコンテキスト学習フレームワークを提案する。 このアプローチでは、ドメイン固有の機能グループ化、慎重にバランスのとれた数ショットの例、タスク固有のプロンプト戦略を統合する。
  論文  参考訳（メタデータ） (2024-05-10T06:52:44Z)
• From Quantity to Quality: Boosting LLM Performance with Self-Guided Data Selection for Instruction Tuning [52.257422715393574]
  本稿では,Large Language Models (LLMs) の自己誘導手法を導入し,オープンソースデータセットからサクラサンプルを自動識別し,選択する。 我々の重要な革新である命令追従困難度(IFD)メトリックは、モデルが期待する応答と本質的な生成能力の相違を識別するための重要な指標として現れます。
  論文  参考訳（メタデータ） (2023-08-23T09:45:29Z)
• To Repeat or Not To Repeat: Insights from Scaling LLM under Token-Crisis [50.31589712761807]
  大規模言語モデル(LLM)は、事前トレーニング中にトークンに悩まされていることで知られており、Web上の高品質なテキストデータは、LSMのスケーリング制限に近づいている。 本研究では,事前学習データの再学習の結果について検討し,モデルが過度に適合する可能性が示唆された。 第2に, マルチエポック劣化の原因となる要因について検討し, データセットのサイズ, モデルパラメータ, トレーニング目標など, 重要な要因について検討した。
  論文  参考訳（メタデータ） (2023-05-22T17:02:15Z)

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。