論文の概要: SNOMED CT Concept Recommendation from Masked Clinical Context

• arxiv url: http://arxiv.org/abs/2609.17855v1
• Date: Tue, 15 Sep 2026 21:25:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:53.548476
• Title: SNOMED CT Concept Recommendation from Masked Clinical Context
• Title（参考訳）: 仮面臨床からのSNOMED CT概念推奨
• Abstract要約: このデータセットには、272の放電サマリーに75,491のアノテーションが含まれており、トレーニングには204のノート、履歴テストには68のノートが使用されている。 個別のノート・コンセプション・ペアごとに、対象の言及は局所的な臨床状況から隠蔽され、システムはトレーニング中に観察されるSNOMED CT概念をランク付けする。 Sparse TF-IDFは14.81%のRecall@1、33.43%のRecall@10、0.2114のMRR、0.2297のnDCG@10を達成している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Standardizing clinical language to SNOMED CT supports interoperability, analytics, and reusable phenotyping, but concept recommendation remains difficult when relevant concepts are rare or absent from training data. We present a masked-concept recommendation benchmark using the SNOMED CT Entity Linking Challenge v1.2.1 data derived from MIMIC-IV-Note. The dataset contains 75,491 annotations across 272 discharge summaries, with 204 notes used for training and 68 for historical testing. For each unique note-concept pair, the target mention is masked from a local clinical context and the system ranks SNOMED CT concepts observed during training. We compare a popularity baseline, sparse TF-IDF concept prototypes, dense latent semantic analysis embeddings, sparse-dense fusion, retrieved-note evidence, and a retrieval-augmented hybrid. Sparse TF-IDF performs best, achieving Recall@1 of 14.81%, Recall@10 of 33.43%, MRR of 0.2114, and nDCG@10 of 0.2297. Retrieval augmentation does not improve this baseline, with Recall@10 of 31.99% and MRR of 0.1937. Performance is strongly affected by concept frequency: Recall@10 is 7.74% for concepts appearing in only one or two training notes versus 43.90% for concepts appearing in more than ten. In addition, 9.66% of test note-concept pairs contain concepts unseen during training. These findings show that local lexical context and terminology coverage are major determinants of recommendation quality in low-resource settings and provide a reproducible baseline for future ontology-grounded and biomedical-encoder retrieval systems.
• Abstract（参考訳）: SNOMED CTに臨床言語を標準化することは、相互運用性、分析、再利用可能な表現型付けをサポートするが、関連する概念がトレーニングデータに欠如している場合、概念推奨は困難である。 SNOMED CT Entity Linking Challenge v1.2.1 data from MIMIC-IV-Note。 データセットには、272の放電サマリーに75,491のアノテーションが含まれており、トレーニングには204のノート、履歴テストには68のノートが使用されている。 個別のノート・コンセプション・ペアごとに、対象の言及は局所的な臨床状況から隠蔽され、システムはトレーニング中に観察されるSNOMED CT概念をランク付けする。 我々は,人気ベースライン,スパースTF-IDFコンセプトプロトタイプ,高密度潜在意味分析埋め込み,スパース・デンス融合,検索ノートエビデンス,検索強化ハイブリッドを比較した。 Sparse TF-IDFは14.81%のRecall@1、33.43%のRecall@10、0.2114のMRR、0.2297のnDCG@10を達成している。 Recall@10は31.99%、MRRは0.1937である。 Recall@10は1つまたは2つのトレーニングノートにのみ現れるコンセプトに対して7.74%であり、10つ以上のコンセプトでは43.90%である。 さらに、テストノートとコンセプトペアの9.66%は、トレーニング中に目に見えない概念を含んでいる。 これらの結果から,低リソース環境下でのレコメンデーション品質の主要な要因は局所語彙的文脈と用語的範囲であり,将来的なオントロジーとバイオメディカルエンコーダ検索システムのための再現可能なベースラインであることが示唆された。

関連論文リスト

• Less Annotation, More Interpretation: Prior-Guided Concept Bottleneck Models for Interpretable Cancer Imaging Diagnosis [0.3437656066916039]
  我々は,限定的な概念アノテーションを組み込んだ事前誘導型ハイブリッドCBMを提案する。 CBIS-DDSMマンモグラフィと石灰化およびLIDC-IDRI肺結節について検討した。
  論文  参考訳（メタデータ） (2026-08-13T12:18:00Z)
• Lost in Volume: The CT-SpatialVQA Benchmark for Evaluating Semantic-Spatial Understanding of 3D Medical Vision-Language Models [3.6659638651482536]
  近年の3次元医用視覚言語モデルの進歩により、ボリューム画像やテキストに対する共同推論が可能になった。 これらのモデルが3次元ボリュームから空間的基底解剖学を学習したのか、あるいは主に学習前と言語相関に頼っているのかは、まだ不明である。 我々は3次元CTデータにおける意味空間的推論を評価するためのベンチマークであるCT-SpatialVQAを紹介する。
  論文  参考訳（メタデータ） (2026-05-09T08:16:00Z)
• FUGC: Benchmarking Semi-Supervised Learning Methods for Cervical Segmentation [63.7829089874007]
  本稿では,頚椎椎間板断裂における半教師あり学習のための最初のベンチマークであるFetal Ultrasound Grand Challenge (FUGC)を紹介する。 FUGCは、500のトレーニング画像、90の検証画像、300のテスト画像を含む890のTVSイメージのデータセットを提供する。 Dice similarity Coefficient (DSC), Hausdorff Distance (HD), and Runtime (RT), with a weighted combination of 0.4/0.4/0.2。
  論文  参考訳（メタデータ） (2026-01-22T01:34:39Z)
• Beyond Long Context: When Semantics Matter More than Tokens [0.0]
  Electronic Health Recordsは、FHIR DocumentReferenceリソースにエンコードされたbase64アタッチメントとして、臨床ドキュメントを保存している。 Lopezらによって導入されたクリニカルエンティティ拡張検索(CLEAR)法は、エンティティ認識検索を使用している。 CLEARは58.3%の勝利率を達成し、平均的な意味的類似度は0.878であり、幅広いコンテキスト処理よりも78%少ないトークンを使用した。
  論文  参考訳（メタデータ） (2025-10-29T16:41:44Z)
• EchoBench: Benchmarking Sycophancy in Medical Large Vision-Language Models [82.43729208063468]
  医療用LVLM(Large Vision-Language Models)の最近のベンチマークでは、信頼性と安全性を見越して、リーダボードの精度を強調している。 ユーザが提供した情報を非批判的に反響させる傾向のモデルについて検討する。 医療用LVLMの梅毒を系統的に評価するベンチマークであるEchoBenchを紹介する。
  論文  参考訳（メタデータ） (2025-09-24T14:09:55Z)
• Semantic Analysis of SNOMED CT Concept Co-occurrences in Clinical Documentation using MIMIC-IV [0.10499611180329803]
  SNOMED CTの概念の共起パターンと埋め込みに基づく意味的類似性との関係について検討した。 分析の結果,共起と意味的類似性は相関が弱いものの,埋め込みは臨床的に有意な関連を捉えていることが明らかとなった。
  論文  参考訳（メタデータ） (2025-09-03T19:25:14Z)
• Brain Tumor Classification on MRI in Light of Molecular Markers [56.99710477905796]
  1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。 本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
  論文  参考訳（メタデータ） (2024-09-29T07:04:26Z)
• Multimodal Recommender Systems in the Prediction of Disease Comorbidity [0.0]
  深層学習に基づくレコメンデータシステムは、主観的なコードインタラクションのモデル化に利用できることを示す。 削減された "トップ50" ICD-9 コードデータセットを使用した NCF モデルの性能は低かった。 DHFモデルの結果は、NCFモデルよりも優れたパフォーマンスを反映している。
  論文  参考訳（メタデータ） (2023-08-30T01:40:45Z)

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。