論文の概要: AutoAdapt: Reliable Few-Shot Adaptation under Clinical Distribution Shifts

• arxiv url: http://arxiv.org/abs/2610.11162v1
• Date: Thu, 08 Oct 2026 03:22:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 02:36:53.761906
• Title: AutoAdapt: Reliable Few-Shot Adaptation under Clinical Distribution Shifts
• Title（参考訳）: AutoAdapt: 臨床分布変化下における信頼性のあるFew-Shot Adaptation
• Abstract要約: 数ショット適応の課題に対処するために、AutoAdaptを導入します。 本報告では,最も有効な戦略が選択されることを確実にするための信頼性ルールを提案する。 我々は、クリティカルケア、緊急ケア、診断データセットにわたる広範な実験を行い、その結果、AutoAdaptが一貫して最先端のパフォーマンスを達成することを示す。
• 参考スコア（独自算出の注目度）: 37.2028205910861
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large pretrained clinical models provide a practical way to reuse learned prior knowledge across hospitals by adapting models to them. In practice, a target hospital may only have a small labeled patient cohort, a setting commonly referred to as few-shot adaptation. This requires making multiple decisions, such as which pretrained model to adapt, how much of the model to update, and which patients to use. Nevertheless, this process faces two primary challenges. First, the best adaptation strategy varies across clinical tasks. Second, evaluating and comparing candidate strategies becomes unreliable due to the small patient cohort. In this work, we introduce AutoAdapt with two core designs to deal with these challenges. The Adapter defines an extensible space of adaptation recipes, and the Automator forms a weighted recipe combination from evidence within the adaptation patients. We propose a reliability rule to ensure that only the most effective strategy on most available patients will be selected. These selected strategies then form a combination for effective few-shot adaptation. We conduct extensive experiments across critical care, emergency care, and diagnostic datasets, and the results show that AutoAdapt consistently achieves state-of-the-art performance using only a few patients for adaptation.
• Abstract（参考訳）: 大きな事前訓練された臨床モデルは、学習済みの知識を病院全体にわたって再利用する実用的な方法を提供する。 実際には、標的病院は小さなラベル付き患者コホートしか持たない場合がある。 これは、どのトレーニング済みモデルに適応するか、どのモデルを更新するか、どの患者を使うかといった、複数の決定を必要とする。 しかし、このプロセスは2つの大きな課題に直面している。 第一に、最も優れた適応戦略は、臨床タスクによって異なる。 第2に,小患者のコホートが原因で,候補戦略の評価と比較が困難になる。 この作業では、これらの課題に対処する2つのコア設計を備えたAutoAdaptを紹介します。 Adapterは適応レシピの拡張可能な空間を定義し、Automatorは適応患者内のエビデンスから重み付けされたレシピの組み合わせを形成する。 本報告では,最も有効な戦略が選択されることを確実にするための信頼性ルールを提案する。 これらの選択された戦略は、効果的な数ショット適応のための組み合わせを形成する。 われわれは、危機ケア、救急医療、診断データセットにわたる広範な実験を行い、その結果、AutoAdaptは適応する患者数人だけを使用して、一貫して最先端のパフォーマンスを達成することを示した。

関連論文リスト

• When To Adapt? Adapting the Model or Data in Federated Medical Imaging [1.8190930020764042]
  フェデレートラーニングは、生データを共有せずに医療機関間で協調的なモデルトレーニングを可能にする。 この課題に対処する既存のアプローチは、モデル側パーソナライゼーションとデータ側ハーモニゼーションの2つの主要なパラダイムに分類される。 我々は、統一された枠組みの下で、最先端の調和とパーソナライズ手法を幅広く評価する。
  論文  参考訳（メタデータ） (2026-04-27T20:17:50Z)
• medDreamer: Model-Based Reinforcement Learning with Latent Imagination on Complex EHRs for Clinical Decision Support [3.8382507197481144]
  medDreamerは、パーソナライズされた治療レコメンデーションのための新しいモデルベースの強化学習フレームワークである。 不規則なデータから潜伏した患者の状態をシミュレートし、実と想像の軌跡のハイブリッドで訓練された2段階のポリシーを定めている。 これは、臨床結果と非政治指標の両方において、モデルフリーおよびモデルベースベースラインを著しく上回る。
  論文  参考訳（メタデータ） (2025-05-26T10:16:39Z)
• Towards Regulatory-Confirmed Adaptive Clinical Trials: Machine Learning Opportunities and Solutions [59.28853595868749]
  本研究は,全人口と低給付人口の規制制約と治療方針値を統合した将来の臨床試験の新たな2つの目的を紹介する。 我々は、第III相臨床試験を設計するための新しい枠組みであるRFAN(Randomize First Augment Next)を定式化する。 我々のフレームワークは、標準的なランダム化コンポーネントと適応コンポーネントから構成されており、臨床試験中に患者を効率よく安全に獲得し、患者を治療アームに割り当てることを目的としている。
  論文  参考訳（メタデータ） (2025-03-12T10:17:54Z)
• Test-Time Alignment via Hypothesis Reweighting [56.71167047381817]
  大規模な事前訓練されたモデルは、しばしば未指定のタスクで苦労する。 テストタイムのユーザ意図にモデルを整合させるという課題に対処する新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-12-11T23:02:26Z)
• Single-Shared Network with Prior-Inspired Loss for Parameter-Efficient Multi-Modal Imaging Skin Lesion Classification [6.195015783344803]
  マルチモーダルアプローチを導入し,マルチスケールな臨床・皮膚内視鏡的特徴を1つのネットワークに効率的に統合する。 提案手法は,現在進行している手法と比較して,精度とモデルパラメータの両面で優位性を示す。
  論文  参考訳（メタデータ） (2024-03-28T08:00:14Z)
• Part-aware Prompted Segment Anything Model for Adaptive Segmentation [4.907395697173755]
  我々は、データ効率のセグメンテーションアルゴリズム、すなわち、パートアウェアのPrompted Segment Anything Model(P2SAM$)を提案する。 ワンショットデータのパートレベル特徴に基づいて複数ポイントプロンプトを選択するための新しいパートアウェアプロンプト機構を提案する。 P2SAM$は、2つの異なる患者適応セグメンテーションアプリケーションのDiceスコアを+8.0%、+2.0%で改善する。
  論文  参考訳（メタデータ） (2024-03-08T16:34:30Z)
• Adaptive Identification of Populations with Treatment Benefit in Clinical Trials: Machine Learning Challenges and Solutions [78.31410227443102]
  確定的臨床試験において,特定の治療の恩恵を受ける患者サブポピュレーションを適応的に同定する問題について検討した。 サブポピュレーション構築のためのメタアルゴリズムであるAdaGGIとAdaGCPIを提案する。
  論文  参考訳（メタデータ） (2022-08-11T14:27:49Z)
• Adversarial Sample Enhanced Domain Adaptation: A Case Study on Predictive Modeling with Electronic Health Records [57.75125067744978]
  ドメイン適応を容易にするデータ拡張手法を提案する。 逆生成したサンプルはドメイン適応時に使用される。 その結果,本手法の有効性とタスクの一般性が確認された。
  論文  参考訳（メタデータ） (2021-01-13T03:20:20Z)
• Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype Prediction [55.94378672172967]
  本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。 新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。 我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
  論文  参考訳（メタデータ） (2020-09-02T02:50:30Z)

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。