Fugu-MT 論文翻訳(概要): Consistent Relexicalization of Clinical Documents using Graph-Based Approach

論文の概要: Consistent Relexicalization of Clinical Documents using Graph-Based Approach

arxiv url: http://arxiv.org/abs/2609.21387v1
Date: Fri, 18 Sep 2026 06:56:40 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-21 18:40:16.887875
Title: Consistent Relexicalization of Clinical Documents using Graph-Based Approach
Title（参考訳）: グラフベースアプローチによる臨床文書の連続的レレクシカル化
Abstract要約: G-RELIC (Graph Based Contextual Relexicalization with Improved Consistency) を導入し、構造的整合性、関係的コヒーレンス、変換時の時間的整合性を維持する。 G-RELICは、元のエンティティと代理エンティティの1対1対応を最適化するグラフベースのマッピング機構を実装している。また、時間的一貫性を維持するための決定論的時間的配置アルゴリズムも導入している。
参考スコア（独自算出の注目度）: 6.665274769353613
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Relexicalization is a pivotal technique in clinical NLP, as it facilitates robust masking of sensitive information while synthesizing datasets that retain high-fidelity, real-world characteristics. However, preserving structural integrity, relational coherence, and temporal consistency during transformation remains a significant challenge. Existing approaches frequently rely on independent entity replacement, which results in clinical inconsistencies across longitudinal records. This reduces the value of such relexicalized datasets for downstream scientific analysis. To address these limitations, we introduce G-RELIC (Graph Based Contextual Relexicalization with Improved Consistency) which combines the power of LLMs with graphs. G-RELIC implements a graph-based mapping mechanism which optimizes for one-to-one correspondence between original and surrogate entities. It also introduces a deterministic temporal repositioning algorithm to preserve temporal consistency. Empirical evaluations on diverse, real-world clinical datasets validate that G-RELIC significantly outperforms state-of-the-art baselines. G-RELIC yields a 30.4 percentage point improvement in relational integrity (62.1% to 92.5%) and 45.9 percentage point improvement in temporal coherence (46% to 91.9%) without compromising on the recognized privacy benchmarks for clinical datasets. This maximizes the analytical utility of relexicalized datasets while minimizing re-identification risk.
Abstract（参考訳）: リレクシカル化は、高忠実で実世界の特性を保持するデータセットを合成しながら、機密情報の堅牢なマスキングを容易にするため、臨床NLPにおいて重要な技術である。しかし、構造的整合性、リレーショナルコヒーレンス、および変換中の時間的整合性を維持することは重要な課題である。既存のアプローチは、しばしば独立したエンティティ置換に依存しており、その結果、経時的に臨床上の矛盾が生じている。これにより、下流の科学的分析のための相対化データセットの価値が低下する。これらの制約に対処するために,LLMのパワーとグラフを組み合わせたG-RELIC(Graph Based Contextual Relexicalization with Improved Consistency)を導入する。 G-RELICは、元のエンティティと代理エンティティの1対1対応を最適化するグラフベースのマッピング機構を実装している。また、時間的一貫性を維持するための決定論的時間的配置アルゴリズムも導入している。多様な実世界の臨床データセットに関する実証的な評価は、G-RELICが最先端のベースラインを大幅に上回っていることを証明している。 G-レリックのリレーショナル整合性(62.1%から92.5%)は30.4ポイント、時間的コヒーレンス(46%から91.9%)は45.9ポイント向上している。これにより、再識別リスクを最小限に抑えつつ、拡張データセットの分析的有用性を最大化する。

関連論文リスト

Recovering Clinical Utility Under Differential Privacy: Empirical Validation of Adaptive Federated Aggregation on Heterogeneous Cardiovascular Datasets [0.06372261626436676]
本研究は、FedCVRフレームワークを利用可能な5つのリアル心臓血管データセット上で検証することで、このギャップに対処する。その結果、FedCVRは実データに対する適応的な優位性を維持しており、F1スコアは79.2%、AUCは0.96であることがわかった。実データ上で測定されたプライバシーコストは、合成実験で観察された優雅な劣化パターンを確認する。
論文参考訳（メタデータ） (2026-07-07T18:51:13Z)
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)
Detecting Clinical Discrepancies in Health Coaching Agents: A Dual-Stream Memory and Reconciliation Architecture [71.46525715889656]
汎用エージェントメモリシステムは、ユーザの最新のステートメントで古い事実を上書きすることでコヒーレンスを最適化する。本稿では,患者の物語を構造化された臨床記録から厳密に分離するDual-Stream Memory Architectureを提案する。 675日間のウェルネスコーチングセッションにおいて,26名の患者を対象にこのアーキテクチャを評価した。
論文参考訳（メタデータ） (2026-04-29T17:59:28Z)
DISCO-TAB: A Hierarchical Reinforcement Learning Framework for Privacy-Preserving Synthesis of Complex Clinical Data [2.3915781021862332]
DISCO-TABは、Reinforcement Learningによって最適化された多目的識別器システムを用いて、微調整LDMをオーケストレーションする新しいフレームワークである。私たちは、高次元の小さな医療データセットを含むさまざまなベンチマークで、私たちのフレームワークを厳格に検証しています。以上の結果から, 階層的フィードバックは最先端の成果をもたらすことが示され, 下流の臨床的有用性は最大38.2%向上した。
論文参考訳（メタデータ） (2026-04-01T23:37:58Z)
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)
Cross-Linguistic Persona-Driven Data Synthesis for Robust Multimodal Cognitive Decline Detection [20.599682298329213]
我々は、制御可能なゼロショットマルチモーダルデータ合成とChain-of-Thought deductionファインチューニングを統合する新しいフレームワークであるSynCogを紹介する。この生成パラダイムは、様々な言語にまたがる臨床コーパスの迅速でゼロショット展開を可能にする。 ADReSSとADReSSoベンチマークの実験は、限られた臨床データを合成表現型で増強することで、競争力のある診断性能が得られることを示した。
論文参考訳（メタデータ） (2026-02-08T14:10:05Z)
Improving Cardiac Risk Prediction Using Data Generation Techniques [37.94487163156369]
本研究は,実世界の観測と整合したリアルな臨床記録の合成のためのアーキテクチャを提案する。主な目的は、心的リスク予測モデルの性能を高めるため、利用可能なデータセットのサイズと多様性を高めることである。
論文参考訳（メタデータ） (2025-12-19T10:17:00Z)
Enhancing Treatment Effect Estimation via Active Learning: A Counterfactual Covering Perspective [61.284843894545475]
治療効果推定のための複雑なアルゴリズムは、不十分なラベル付きトレーニングセットを扱う際には効果がない。我々は,最適化目標をtextitFactual と textitCounterfactual Coverage Maximization に変換して,データ取得時の有効半径削減を実現するFCCMを提案する。 FCCMを他のベースラインに対してベンチマークすることは、完全に合成されたデータセットと半合成されたデータセットの両方にその優位性を示す。
論文参考訳（メタデータ） (2025-05-08T13:42:00Z)
STG: Spatiotemporal Graph Neural Network with Fusion and Spatiotemporal Decoupling Learning for Prognostic Prediction of Colorectal Cancer Liver Metastasis [9.511932098831322]
大腸癌肝転移(KCCM)を予測するためのマルチモーダル時間グラフニューラルネットワーク(STG)フレームワークを提案する。我々のSTGフレームワークはCT画像と臨床データをヘテロジニアスグラフ構造に結合し,腫瘍分布エッジの同時モデリングと時間的進化を可能にする。軽量版ではパラメータ数を78.55%削減し、最先端の性能を維持している。
論文参考訳（メタデータ） (2025-05-06T02:41:34Z)
Attention-Based Synthetic Data Generation for Calibration-Enhanced Survival Analysis: A Case Study for Chronic Kidney Disease Using Electronic Health Records [1.7769033811751995]
Masked Clinical Modelling (MCM)は、高忠実度合成データセットを生成するための注目ベースのフレームワークである。 MCMは、サバイバルモデル校正を強化しながら、ハザード比などの重要な臨床的洞察を保っている。
論文参考訳（メタデータ） (2025-03-08T06:58:33Z)
Machine Learning for ALSFRS-R Score Prediction: Making Sense of the Sensor Data [44.99833362998488]
筋萎縮性側索硬化症(Amyotrophic Lateral Sclerosis、ALS)は、急速に進行する神経変性疾患である。 iDPP@CLEF 2024チャレンジを先導した今回の調査は,アプリから得られるセンサデータを活用することに焦点を当てている。
論文参考訳（メタデータ） (2024-07-10T19:17:23Z)

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。