論文の概要: From Latent Biomarkers to Clinical Rules: Embedding-Guided Rule Mining and Attribution-Based Translation for Interpretable Tabular Learning

• arxiv url: http://arxiv.org/abs/2609.22155v1
• Date: Wed, 26 Aug 2026 10:05:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.736597
• Title: From Latent Biomarkers to Clinical Rules: Embedding-Guided Rule Mining and Attribution-Based Translation for Interpretable Tabular Learning
• Title（参考訳）: 潜在型バイオマーカーから臨床ルールへ:埋め込み型ルールマイニングと帰属型翻訳による解釈可能な語彙学習
• Abstract要約: FT変換器の潜伏空間で決定ルールをマイニングし,それを測定可能な臨床特徴に変換する4段階のパイプラインを提案する。 本研究では,6つの公的臨床・人口保健データセットの枠組みを4つの埋め込み次元で評価した。 翻訳されたルールは、6つのデータセットのうち5つの生の規則より優れており、平均的なAUROCのゲインは0.04から0.23である。
• 参考スコア（独自算出の注目度）: 2.056423846890309
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Clinical decision support tools are most useful when accurate predictions are accompanied by understandable explanations. Rule-based models provide transparency, but rules derived directly from raw clinical measurements may miss patterns arising from interactions between multiple variables. We present a four-step pipeline that mines decision rules in the latent space of an FT-Transformer and translates them back into measurable clinical features. Embedding dimensions that consistently separate patient groups are treated as latent biomarkers, rules are mined using small decision trees, and selected rules are translated using gradient-input saliency and CLS attention attribution. We evaluate the framework on six public clinical and population health datasets at four embedding dimensions. Translated rules outperformed raw-feature rules in five of six datasets, with mean AUROC gains ranging from 0.04 to 0.23. On the heart disease dataset, embedding-space rules reached 0.98 AUROC, but translation reduced this to 0.72, showing that high-performing latent rules cannot always be represented by simple raw-feature conditions. These results show that latent-space rule discovery can uncover predictive patterns while translating them into clinically measurable features that can be evaluated by clinicians.
• Abstract（参考訳）: 臨床診断支援ツールは、正確な予測に理解可能な説明が伴う場合に最も有用である。 ルールベースのモデルは透明性を提供するが、生の臨床的測定から直接導かれるルールは、複数の変数間の相互作用から生じるパターンを見逃す可能性がある。 FT変換器の潜伏空間で決定ルールをマイニングし,それを測定可能な臨床特徴に変換する4段階のパイプラインを提案する。 患者集団を連続的に分離する次元を潜伏バイオマーカーとして扱い、ルールを小さな決定木を用いてマイニングし、選択されたルールを勾配インプット・サリエンシとLCSアテンション・アトリビューションを用いて翻訳する。 本研究では,6つの公的臨床・人口保健データセットの枠組みを4つの埋め込み次元で評価した。 翻訳されたルールは、6つのデータセットのうち5つの生の規則より優れており、平均的なAUROCのゲインは0.04から0.23である。 心臓病のデータセットでは、埋め込み空間の規則は0.98 AUROCに達したが、翻訳により0.72に減少した。 これらの結果から, 潜在空間ルール発見は, 臨床医が評価可能な, 臨床的に測定可能な特徴に翻訳しながら, 予測パターンを発見できることが示唆された。

関連論文リスト

• Beyond Local Inspection: Global, Guideline-Grounded Evaluation of Post-hoc XAI Methods for ECG Classification [0.0]
  本報告では, 心室筋電図から心室筋電図を抽出し, 臨床的に定義された関心領域に対して評価する枠組みを提案する。 その結果,コンピュータビジョンから転送される手法の体系的失敗が明らかになった。 13の手法のうち9つは、少なくとも1つの条件で失敗し、パターン間の不整合性を示す。
  論文  参考訳（メタデータ） (2026-07-27T06:16:28Z)
• Beyond Scalar Scores: Exploring LLM-based Metrics for Clinical Significance Evaluation in Radiology Reports [49.5225801722164]
  既存のメトリクスは、医学的に根拠のないスカラーにレポートの品質を低下させることによって、この要件を曖昧にしている。 テストベッドとしてReEvalMedベンチマークを用いて,この境界について検討し,計量レベルの臨床的意義を評価する。
  論文  参考訳（メタデータ） (2026-06-17T08:10:30Z)
• Reverse Probing: Supervised Token-level Uncertainty Quantification for Large Language Models in Clinical Text [4.737321357710923]
  本稿では,既存のラベル付き要約から直接トークンレベルの不確実性を推定するReverse Probingを提案する。 Reverse Probingは、テキストをモデルの内部状態へのプローブとして扱い、内部アクティベーションの4つのカテゴリから不確実な信号を抽出する。 専門家による2つの臨床データセットで評価し、すべての指標で8つの適応ベースラインを上回りました。
  論文  参考訳（メタデータ） (2026-05-27T17:01:04Z)
• LLMs for Cardiovascular Risk Prediction from Structured Clinical Data [0.0]
  冠状動脈疾患(CAD)は、世界中で死因の1つとなっている。 我々はCAD予測のための構造化された臨床データと自然言語表現を橋渡しするハイブリッドフレームワークを開発する。
  論文  参考訳（メタデータ） (2026-04-21T00:16:05Z)
• ClinAlign: Scaling Healthcare Alignment from Clinician Preference [46.61989657665566]
  今回,HealthRubricsについて紹介する。 119は広く再利用され、臨床的に根ざした原則である。 私たちのフレームワークでトレーニングされた30B-A3BモデルはHealthBench-Hardで33.4%を達成した。
  論文  参考訳（メタデータ） (2026-02-10T11:02:57Z)
• Linearized Optimal Transport for Analysis of High-Dimensional Point-Cloud and Single-Cell Data [45.87606039212519]
  シングルセル技術は、細胞の高次元点雲を生成する。 各患者は単純なベクトルではなく不規則な点雲で表される。 線形最適輸送フレームワークを用いて不規則点雲を固定次元ユークリッド空間に埋め込む。
  論文  参考訳（メタデータ） (2025-10-24T21:33:12Z)
• Conformal Lesion Segmentation for 3D Medical Images [82.92159832699583]
  本稿では,データ駆動しきい値の校正をコンフォーマル化することで,テスト時間FNRが目標許容値以下であることを保証する,リスク制約付きフレームワークを提案する。 5つのバックボーンモデルにまたがる6つの3D-LSデータセット上でのCLSの統計的健全性と予測性能を検証し,臨床実践におけるリスク認識セグメンテーションの展開に関する実用的な知見を得た。
  論文  参考訳（メタデータ） (2025-10-19T08:21:00Z)
• Transformer Classification of Breast Lesions: The BreastDCEDL_AMBL Benchmark Dataset and 0.92 AUC Baseline [1.9336815376402718]
  本研究では,ダイナミックコントラスト強調MRIにおける乳腺病変の自動分類のためのトランスフォーマーベースフレームワークを提案する。 患者レベルでは100%の感度と67%の特異性を有する病変レベル分類のAUCを0.92で達成したSegFormerアーキテクチャを実装した。 データセット、モデル、評価プロトコルの公開リリースは、DCE-MRI病変分類のための最初の標準化されたベンチマークを提供する。
  論文  参考訳（メタデータ） (2025-09-30T15:58:02Z)
• Learning to diagnose cirrhosis from radiological and histological labels with joint self and weakly-supervised pretraining strategies [62.840338941861134]
  そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。 我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。 この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
  論文  参考訳（メタデータ） (2023-02-16T17:06:23Z)

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。