Fugu-MT 論文翻訳(概要): Large Language Models are Approximate Survival Estimators

論文の概要: Large Language Models are Approximate Survival Estimators

arxiv url: http://arxiv.org/abs/2609.38181v1
Date: Tue, 04 Aug 2026 01:53:42 GMT
ステータス: 翻訳完了
システム内更新日: 2026-10-05 14:48:16.283895
Title: Large Language Models are Approximate Survival Estimators
Title（参考訳）: 大規模言語モデルは近似生存推定器である
Abstract要約: Survpromptは、訓練済みの大規模言語モデル (LLM) にサバイバルゼロショットを予測するためのフレームワークである。 Survpromptは, ランダムサバイバル森林 (RSF) を含む従来の生存モデルと比較し, 多施設のパン・カンサーコホートを比較検討した。例えば、GPT-5.6-Solは、MSK-CHORDにおける前立腺癌において、いくつかのがんの生存予測のために特別に訓練された最先端RCFモデルの10%でcMAEを達成した。
参考スコア（独自算出の注目度）: 9.137300241561507
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Survival analysis estimates time-to-event outcomes from patient covariates and is widely used for medical risk assessment. Patients seeking prognostic information after a diagnosis may turn to large language models (LLMs), now readily accessible through consumer applications. However, whether LLMs can provide accurate survival predictions has not been rigorously evaluated. We introduce Survprompt, a framework that converts structured patient covariates into free-text clinical vignettes and prompts pre-trained LLMs to predict survival zero-shot. We benchmark Survprompt against conventional survival models, including random survival forests (RSF), across two multi-institutional pan-cancer cohorts: the publicly available MSK-CHORD cohort and a newly curated cohort from the Providence St. Joseph Health Network constructed using an LLM-based medical abstraction framework. We report censored mean absolute error (cMAE) and concordance index (c-index) and conduct feature ablations to identify variables influencing LLM predictions. Frontier LLMs achieved surprisingly competitive cMAE for individual survival times. For example, GPT-5.6-Sol achieved cMAE within 10% of state-of-the-art RSF models specifically trained for survival prediction for several cancer types and lower cMAE than RSF for prostate cancer in MSK-CHORD. Feature ablations revealed that LLMs prioritized clinical variables similarly to specialized survival models. However, LLMs showed inconsistent accuracy across cancer types and institutions and poorly discriminated between high- and low-risk patients (lower c-index). Zero-shot LLMs can generate surprisingly accurate prognostic estimates without specialized training, but their variable performance across cancer types and institutions remains an important limitation for clinical use.
Abstract（参考訳）: 生存分析は、患者共変量による時間と時間の結果を推定し、医療リスク評価に広く用いられている。診断後に予後情報を求める患者は、大型言語モデル(LLM)に移行し、消費者アプリケーションを通じてアクセスできるようになった。しかし, LLMが正確な生存予測を実現できるかどうかについては, 厳密に評価されていない。 Survpromptは、構造化された患者共変体をフリーテキストのクリニカルヴィグネットに変換し、訓練済みのLCMに生存ゼロショットを予測させるフレームワークである。本稿は,MSK-CHORDコホートと,LLMをベースとした医療抽象化フレームワークを用いて構築されたプロビデンス・セントジョセフ健康ネットワーク(Providence St. Joseph Health Network)から新たに構築されたコホートである,複数施設のパンカンサーコホートにまたがる,ランダムサバイバル森林(RSF)を含む従来の生存モデルに対するSurvpromptのベンチマークを行った。我々は,LLM予測に影響を及ぼす変数を特定するために,検閲平均絶対誤差 (cMAE) と一致指数 (c-index) を報告した。フロンティアLSMは個々の生存時間に対して驚くほど競争力のあるcMAEを達成した。例えば、GPT-5.6-Solは、MSK-CHORDにおける前立腺癌において、いくつかのがんの生存予測のために特別に訓練された最先端RCFモデルの10%でcMAEを達成した。 LLMは特殊生存モデルと同様に臨床変数を優先することが明らかとなった。しかし,LSMは癌の種類や施設間で不一致の精度を示し,高リスク患者と低リスク患者(より低いcインデックス)の鑑別は不十分であった。ゼロショットLSMは、特別な訓練をせずに驚くほど正確な予後推定を生成できるが、がんの種類や施設間での変動性能は、臨床応用にとって重要な制限である。

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)
Towards end-to-end LLM-based censoring-aware survival analysis [12.816095103727724]
大規模言語モデル(LLM)は、検閲によって教師付き微調整が防止されるため、エンドツーエンドサバイバルモデルとしてはほとんど使われない。本稿では,検閲を意識した生存分析を可能にするフレームワークであるLLMSurvivalを紹介する。
論文参考訳（メタデータ） (2026-05-25T03:45:42Z)
EviCare: Enhancing Diagnosis Prediction with Deep Model-Guided Evidence for In-Context Reasoning [62.61394722212386]
EviCareは、大規模言語モデルにディープモデルガイダンスを統合する、コンテキスト内推論フレームワークである。 LLMのみのベースラインと深層モデルのみのベースラインを2つの実世界のEHRベンチマークで連続的に上回っている。
論文参考訳（メタデータ） (2026-04-12T04:35:14Z)
TrajOnco: a multi-agent framework for temporal reasoning over longitudinal EHR for multi-cancer early detection [3.821311636515365]
我々は、スケーラブルなマルチカメラ早期検出のために設計された、トレーニングフリーでマルチエージェントな大規模言語モデル(LLM)フレームワークであるTrajOncoを紹介する。 TrajOncoは長期記憶を備えたチェーン・オブ・エージェントアーキテクチャを使用して、シーケンシャルな臨床イベントに対する時間的推論を行う。一致した症例対照コホートを用いてTrajOncoを15種類のがんタイプで同定し,がん診断のリスクを1年間予測した。
論文参考訳（メタデータ） (2026-04-12T00:16:38Z)
Cerebra: A Multidisciplinary AI Board for Multimodal Dementia Characterization and Risk Assessment [56.62016795093786]
CerebraはインタラクティブなマルチエージェントAIチームで、ERH、臨床ノート、医療画像分析のための特殊エージェントをコーディネートする。構造化された表現を操作することで、プライバシ保護デプロイメントをサポートし、モダリティが不完全であれば、堅牢である。 Cerebraは、有識者のパフォーマンスを著しく改善し、前向き認知症リスク推定において精度を17.5ポイント向上させた。
論文参考訳（メタデータ） (2026-03-23T05:46:45Z)
PREBA: Surgical Duration Prediction via PCA-Weighted Retrieval-Augmented LLMs and Bayesian Averaging Aggregation [51.96735866702332]
PreBAはPCA重み付き検索とベイズ平均アグリゲーションを統合した検索拡張フレームワークである。例えば、PreBAはパフォーマンスを大幅に改善し、MAEを最大40%削減し、ゼロショット推論でR2を-0.13から0.62に引き上げる。
論文参考訳（メタデータ） (2026-02-27T07:19:23Z)
Methodology for Comparing Machine Learning Algorithms for Survival Analysis [55.65997641180011]
生存分析のための6つの機械学習モデルを評価した。 XGB-AFTは最高性能(C-Index = 0.7618; IPCW = 0.7532、GBSAとRCF)を達成した。
論文参考訳（メタデータ） (2025-10-28T14:42:28Z)
OncoReason: Structuring Clinical Reasoning in LLMs for Robust and Interpretable Survival Prediction [2.904892426557913]
大規模言語モデル (LLM) は, バイオメディカルNLPにおいて高い性能を示した。本稿では,自己回帰型LPMと結果予測のための臨床推論を整合させる,統合型マルチタスク学習フレームワークを提案する。マルチタスク・クリニカル・モデリングにおける推論・アライメントの重要性について検討した。
論文参考訳（メタデータ） (2025-10-20T13:35:12Z)
Reasoning-Enhanced Healthcare Predictions with Knowledge Graph Community Retrieval [61.70489848327436]
KAREは、知識グラフ(KG)コミュニティレベルの検索と大規模言語モデル(LLM)推論を統合する新しいフレームワークである。 MIMIC-IIIでは最大10.8～15.0%、MIMIC-IVでは12.6～12.7%である。
論文参考訳（メタデータ） (2024-10-06T18:46:28Z)

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。