論文の概要: Bridging the EHR Divide: Asymmetric Contrastive Learning for Cross-National Medical Representation Transfer

• arxiv url: http://arxiv.org/abs/2610.04946v1
• Date: Sun, 04 Oct 2026 04:39:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:29.34479
• Title: Bridging the EHR Divide: Asymmetric Contrastive Learning for Cross-National Medical Representation Transfer
• Title（参考訳）: EHRディバイドのブリッジ:クロスナショナル医療表現伝達のための非対称コントラスト学習
• Abstract要約: 縦断的電子健康記録表現のシステム間転送は困難である。 本稿では,タスク固有の事前学習対象である非対称教師付きコントラスト学習(Asymmetric Supervised Contrastive Learning, Asymmetric SupCon)を紹介する。 台湾国民健康保険研究データベースに登録された398万例の経時的トランスフォーマ表現を事前訓練した。
• 参考スコア（独自算出の注目度）: 10.009731457436141
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Cross-system transfer of longitudinal Electronic Health Record (EHR) representations is challenging because clinical coding, patient populations, and healthcare workflows differ substantially across institutions and countries. We introduce Asymmetric Supervised Contrastive Learning (Asymmetric SupCon), a task-specific pre-training objective motivated by the heterogeneity of negative clinical outcomes. The objective clusters patients sharing a target positive outcome without explicitly attracting negative trajectories toward one another. We pre-train temporal Transformer encoders on longitudinal records from 3.98 million patients in the Taiwanese National Health Insurance Research Database (NHIRD) and transfer them to two U.S. EHR datasets, MIMIC-IV and EHRSHOT. A hybrid semantic mapping pipeline combining direct mappings with embedding-based retrieval enables transfer across heterogeneous clinical vocabularies. On MIMIC-IV, NHIRD pre-training consistently improves over random initialization while substantially narrowing the performance gap to task-specific in-domain pre-training. On EHRSHOT, the transferred models show particularly strong few-shot performance for incident disease prediction. A controlled objective ablation shows that Asymmetric SupCon achieves the best AUPRC on three of four evaluated tasks and is 0.003 AUPRC below Standard SupCon on the fourth. These results support asymmetric contrastive pre-training as an effective approach for task-specific cross-national EHR representation transfer. Code is available at https://github.com/qingYzhang/Asymmetric_SupCon.
• Abstract（参考訳）: エレクトロニック・ヘルス・レコード(EHR)の縦断的表現のシステム間転送は、臨床コーディング、患者数、医療ワークフローが制度や国によって大きく異なるため、困難である。 本研究は,非対称指導型コントラスト学習(Asymmetric Supervised Contrastive Learning, Asymmetric SupCon)を紹介する。 対象のクラスター患者は, 負の軌道を互いに明示的に引き付けることなく, 対象の正の結果を共有できた。 台湾国民健康保険研究データベース(NHIRD)の経時的トランスフォーマーエンコーダをトレーニングし,MIMIC-IV と EHRSHOT の2つの米国 EHR データセットに転送した。 直接マッピングと埋め込みに基づく検索を組み合わせたハイブリッドセマンティックマッピングパイプラインは、異種の臨床語彙間の移動を可能にする。 MIMIC-IVでは、NHIRD事前トレーニングは、タスク固有のドメイン内トレーニングにパフォーマンスギャップを大幅に狭めながら、ランダム初期化よりも一貫して改善する。 EHRSHOTでは、トランスファーモデルでは、特にインシデント疾患の予測において、いくつかのショットのパフォーマンスが強い。 制御対象アブレーションにより、Asymmetric SupConは4つの評価されたタスクのうち3つで最高のAUPRCを達成し、第4のStandard SupConより0.003 AUPRCであることが示された。 これらの結果は,非対称なコントラスト事前学習を,タスク固有の国家間EHR表現伝達の効果的なアプローチとして支持する。 コードはhttps://github.com/qingYzhang/Asymmetric_SupConで公開されている。

関連論文リスト

• MiGHT-EHR: A Multi-task Graph Transformer for Heterogeneous Temporal Electronic Health Records [3.0622549777214636]
  異種時間EHR(MiGHT-EHR)のためのマルチタスクグラフ変換器を提案する。 MiGHT-EHR は EHR からヘテロジニアスグラフを構築し、ノードは臨床エンティティを表現し、エッジは統計的に関連付けられたエンティティを結合する。 薬物推奨、妊娠期間の予測、死亡率、寛解の4つのタスクで平均して最先端の手法を上回ります。
  論文  参考訳（メタデータ） (2026-08-05T23:27:40Z)
• Neonatal Hypoxic-ischaemic Encephalopathy Classification from the EEG and HRV Signals Using a Conformer based Masked Autoencoder [1.2599533416395767]
  本稿では,脳波(EEG)および心拍変動(HRV)信号からの表現学習のための新しい自己教師型学習フレームワークを提案する。 畳み込み操作とTransformerベースの自己アテンションを統合することで、MAEConformerはローカル時間パターンと長距離コンテキスト依存の両方を効果的にキャプチャする。 実験の結果,学習した表現が強い伝達性とデータ効率をもたらすことが示された。
  論文  参考訳（メタデータ） (2026-07-26T09:11:03Z)
• Dementia Etiology Diagnosis via Collaborative Meta Knowledge Enhancement [81.27196033392559]
  認知症発症診断のための協調的メタ知識向上(COME)フレームワークを提案する。 COMEは、マルチセンタ取得セマンティクス、ソース識別子、モダリティインジケータを異種性を認識した埋め込みとして、スケールアップトレーニングのためにTransformerアーキテクチャに注入する。 本手法は,平均マクロ平均AUCが85.62%,最強ベースラインが4.29ポイント向上し,最先端のドメイン性能を実現する。
  論文  参考訳（メタデータ） (2026-07-24T04:26:47Z)
• PRIME: Prototype-Driven Multimodal Pretraining for Cancer Prognosis with Missing Modalities [86.63247982275396]
  PRIMEは、欠落を認識したマルチモーダルな自己教師型事前トレーニングフレームワークである。 部分的に観察されたコホートから頑健で伝達可能な表現を学ぶ。 The Cancer Genome AtlasのPRIMEを32種類の癌に対してラベルフリープレトレーニングで評価した。
  論文  参考訳（メタデータ） (2026-04-05T21:14:27Z)
• MedSeqFT: Sequential Fine-tuning Foundation Models for 3D Medical Image Segmentation [55.37355146924576]
  MedSeqFTは、医用画像解析のためのシーケンシャルな微調整フレームワークである。 事前訓練されたモデルを新しいタスクに適応させ、表現能力を改善する。 最先端の微調整戦略を一貫して上回ります。
  論文  参考訳（メタデータ） (2025-09-07T15:22:53Z)
• Development and Comparative Evaluation of Three Artificial Intelligence Models (NLP, LLM, JEPA) for Predicting Triage in Emergency Departments: A 7-Month Retrospective Proof-of-Concept [0.0]
  救急部門は、特に過度なトリアージエラー、特に過度なトリアージと過剰なトリアージに悩まされている。 本研究では3つのAIモデル(TRIAGEmaster(NLP)、URGENTIAPARSE(LLM)、EMERGINET(JEPA))をFRENCHトリアージ尺度と看護実習に対して評価した。
  論文  参考訳（メタデータ） (2025-07-01T16:37:55Z)
• Diffusion with a Linguistic Compass: Steering the Generation of Clinically Plausible Future sMRI Representations for Early MCI Conversion Prediction [13.937881108738042]
  そこで本研究では,臨床応用可能な将来のsMRI表現を直接ベースラインデータから合成する拡散型フレームワークを提案する。 ADNIとAIBLのコホートの実験では、MCI-Diffは最先端のベースラインを上回っている。
  論文  参考訳（メタデータ） (2025-06-05T07:01:05Z)
• Fusion of Diffusion Weighted MRI and Clinical Data for Predicting Functional Outcome after Acute Ischemic Stroke with Deep Contrastive Learning [1.4149937986822438]
  ストロークは、25歳以上の成人の約4分の1に影響する一般的な神経疾患である。 AUCでは0.87,0.80,80.45%,F1スコアでは80.45%,精度では0。
  論文  参考訳（メタデータ） (2024-02-16T18:51:42Z)
• Unsupervised pre-training of graph transformers on patient population graphs [48.02011627390706]
  異種臨床データを扱うグラフ変換器を用いたネットワークを提案する。 自己教師型, 移動学習環境において, 事前学習方式の利点を示す。
  論文  参考訳（メタデータ） (2022-07-21T16:59:09Z)
• Real-time landmark detection for precise endoscopic submucosal dissection via shape-aware relation network [51.44506007844284]
  内視鏡下粘膜下郭清術における高精度かつリアルタイムなランドマーク検出のための形状認識型関係ネットワークを提案する。 まず,ランドマーク間の空間的関係に関する先行知識を直感的に表現する関係キーポイント・ヒートマップを自動生成するアルゴリズムを考案する。 次に、事前知識を学習プロセスに段階的に組み込むために、2つの補完的な正規化手法を開発する。
  論文  参考訳（メタデータ） (2021-11-08T07:57:30Z)
• Bootstrapping Your Own Positive Sample: Contrastive Learning With Electronic Health Record Data [62.29031007761901]
  本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。 EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。 私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
  論文  参考訳（メタデータ） (2021-04-07T06:02:04Z)

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。