論文の概要: Training-Free Clinical Reasoning through Medical Ontologies and Cognitive Mapping: A Symbolic-Probabilistic Knowledge Graph Framework
- arxiv url: http://arxiv.org/abs/2609.35298v1
- Date: Mon, 28 Sep 2026 14:39:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-02 06:42:40.340982
- Title: Training-Free Clinical Reasoning through Medical Ontologies and Cognitive Mapping: A Symbolic-Probabilistic Knowledge Graph Framework
- Title（参考訳）: 医療オントロジーと認知マッピングによる無トレーニング臨床推論:シンボリック・確率的知識グラフフレームワーク
- Abstract要約: ほとんどの臨床予測システムは、患者可変アウトカム関連を学習する。
患者観察を明確な医療知識にマッピングする無トレーニング診断パラダイムについて検討する。
CKG Reasonerは、候補固有のEvidence Feature Nodes、患者参照マッチング、境界情報ゲート、知識重み付けされたエビデンス蓄積、疾患類似性、決定的な臨床規則を統合している。
- 参考スコア（独自算出の注目度）: 4.1457422356798155
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Most clinical prediction systems learn patient-variable-outcome associations; we investigate a training-free diagnostic paradigm mapping patient observations to explicit medical knowledge. CKG Reasoner integrates candidate-specific Evidence Feature Nodes, patient-reference matching, a bounded Information Gate, knowledge-weighted evidence accumulation, disease similarity, and decisive clinical rules. Missing-aware normalization and coverage auditing distinguish absent from unavailable evidence. Candidate ranking is separate from outcome-label-independent K-means clustering, which uses four derived evidence coordinates (evidence strength, relative magnitude, directional similarity, and evidence completeness), not raw predictors or targets, to derive cohort-level assignments. Across six retrospective cohorts - four dengue (N = 1000, 1523, 989, 1018), malaria (N = 2190), and influenza (N = 4569) - a uniform, label-free, cohort-fitted K = 2 protocol yielded positive-class F1 scores of 0.996, 0.634, 0.936, 0.917, 0.695, and 0.842, and all-record accuracies of 0.996, 0.558, 0.914, 0.893, 0.707, and 0.906, respectively, with full partition-decision coverage using the frozen package and disease-specific knowledge representations. Neither scoring nor clustering uses outcome labels. Logistic regression provides a supervised baseline. Influenza incorporates confirmatory molecular PCR and is not independent pre-test prediction. Results characterize knowledge-grounded evidence separation, auditability, and sensitivity, not prospective clinical validity or comparative superiority. FOL/LLM-based clinical explanation remains unevaluated.
- Abstract（参考訳）: 臨床予測システムでは,患者の症状を明確な医学的知識にマッピングする訓練不要な診断パラダイムについて検討する。
CKG Reasonerは、候補固有のEvidence Feature Nodes、患者参照マッチング、境界情報ゲート、知識重み付けされたエビデンス蓄積、疾患類似性、決定的な臨床規則を統合している。
欠落を意識した正規化とカバレッジ監査は、不可能な証拠を欠いている。
候補ランキングは、結果ラベルに依存しないK平均クラスタリングとは別のもので、4つの派生したエビデンス座標(エビデンス強度、相対等級、指向性類似性、エビデンス完全性)を用いてコホートレベルの割り当てを導出する。
6つの振り返りコホート - 4つのデング (N = 1000, 1523, 989, 1018), マラリア (N = 2190), インフルエンザ (N = 4569) - 均一でラベルのないコホート適合K = 2 のプロトコル 0.996, 0.634, 0.936, 0.917, 0.695, 0.842 の正のクラス F1 スコアと、すべての記録精度 0.996, 0.558, 0.914, 0.893, 0.707, 0.906 のそれぞれが、凍結パッケージと疾患固有の知識表現を用いた完全なパーティション決定カバレッジを持つ。
スコアリングもクラスタリングも結果ラベルは使用しない。
ロジスティック回帰は、教師付きベースラインを提供する。
Influenzaは、確認分子PCRを組み込んでおり、独立した事前試験予測ではない。
結果は,臨床効果や比較優位性ではなく,知識的根拠による分離,監査可能性,感度を特徴付ける。
FOL/LLMに基づく臨床説明は未定である。
関連論文リスト
- RareLens: Towards End-to-End Rare Disease Care via Aligning Divergent Large Language Model Reasoning [42.80742579670377]
RareLensは、まれな疾患の軌跡全体にわたる臨床的意思決定を支援するシステムである。
RareBenchは、33のOrphanetカテゴリと7000以上の条件にまたがる157,525件の実際のデータセットである。
検診で0.917、診断と治療で65.5%、89.8%の成績を収めた。
論文 参考訳（メタデータ） (2026-07-25T16:58:10Z) - Bayesian uncertainty estimation improves clinical decision making in medical AI agents [3.251669068529209]
モンテカルロのドロップアウトは、トレーニングセットのスケールをまたいだ一般化を追跡できる不確実な信号であり、信頼できながらエラーを起こしやすい予測を示す。
コントロールされた2x2因子分析実験において、臨床判定支援剤は、生のスコアではなくバイナリエラーリスクフラグとして配信された場合にのみ、この不確実性を利用した。
論文 参考訳（メタデータ） (2026-07-22T11:54:23Z) - Imputation-free transformer learning enables robust Alzheimer's disease prediction and calibrated uncertainty quantification across heterogeneous clinical cohorts [1.2407987412519395]
ニトロゲン(NITROGEN)は、患者内部の特徴と患者間の関係構造を共同でモデル化する、計算不要なトランスフォーマーである。
ADNIでNITROGENを訓練し,2つの独立したコホートで評価した。
論文 参考訳（メタデータ） (2026-07-13T15:05:26Z) - Evaluating the Limitations of Protein Sequence Representations for Parkinson's Disease Classification [6.24518052314374]
タンパク質配列は、生物学的情報の根本的で広く利用可能な源である。
複雑な疾患分類のための識別能力は未だ不明である。
ベストパフォーマンス設定(ProtBERT +)は0.704+/-0.028のF1スコアと0.748+/-0.047のROC-AUCを達成する。
論文 参考訳（メタデータ） (2026-04-13T03:54:24Z) - Explainable Admission-Level Predictive Modeling for Prolonged Hospital Stay in Elderly Populations: Challenges in Low- and Middle-Income Countries [65.4286079244589]
長期滞在期間 (pLoS) は, 院内感染のリスクに関連する重要な要因である。
入院レベルの患者と病院の診療データを用いて, pLosの予測モデルを開発し, 解説する。
論文 参考訳（メタデータ） (2026-01-07T23:35:24Z) - Using Pre-training and Interaction Modeling for ancestry-specific disease prediction in UK Biobank [69.90493129893112]
近年のゲノムワイド・アソシエーション(GWAS)研究は、複雑な形質の遺伝的基盤を明らかにしているが、非ヨーロッパ系個体の低発現を示している。
そこで本研究では,マルチオミクスデータを用いて,多様な祖先間での疾患予測を改善することができるかを評価する。
論文 参考訳（メタデータ） (2024-04-26T16:39:50Z) - 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) - Towards Reliable Medical Image Segmentation by Modeling Evidential Calibrated Uncertainty [57.023423137202485]
医用画像のセグメンテーションの信頼性に関する懸念が臨床医の間で続いている。
本稿では,医療画像セグメンテーションネットワークにシームレスに統合可能な,実装が容易な基礎モデルであるDEviSを紹介する。
主観的論理理論を活用することで、医用画像分割の確率と不確実性を明示的にモデル化する。
論文 参考訳（メタデータ） (2023-01-01T05:02:46Z) - A Scalable Workflow to Build Machine Learning Classifiers with
Clinician-in-the-Loop to Identify Patients in Specific Diseases [10.658425378457363]
臨床医は、EHR(Electronic Health Records)から疾患のある患者を識別するために、ICD(International Classification of Diseases)などの医療コーディングシステムを利用することができる。
近年の研究では、ICD符号は、実際の臨床実践において特定の疾患に対して、患者を正確に特徴づけることができないことが示唆されている。
本稿では,構造化データと非構造化テキストノートの両方を,NLP,AutoML,Cysian-in-the-Loop機構などの技術で活用するスケーラブルなワークフローを提案する。
論文 参考訳（メタデータ） (2022-05-18T12:24:07Z)
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。