論文の概要: Retrieval-Augmented Multimodal Language Model with Heterogeneous Evidence Integration for Clinical Prognosis
- arxiv url: http://arxiv.org/abs/2610.13510v1
- Date: Fri, 09 Oct 2026 12:35:22 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-13 04:06:29.579151
- Title: Retrieval-Augmented Multimodal Language Model with Heterogeneous Evidence Integration for Clinical Prognosis
- Title（参考訳）: 予後に不均一なエビデンスを組み込んだ検索型マルチモーダル言語モデル
- Abstract要約: 臨床予後には、構造的測定、生理的波形、縦断的歴史、人口状況の統合が必要である。
我々は,多モード言語モデルであるPRISMを導入し,多機能な数値トークン化,長手心電図の直流重み付け,二重モード性集団記憶バンクを提案する。
PRISMは診断で86.2%、劣化で93.1%、ICUで91.8%、死亡で92.8%のAUROCを達成している。
- 参考スコア（独自算出の注目度）: 17.785664011538916
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Clinical prognosis requires integrating structured measurements, physiological waveforms, longitudinal history, and population context. We introduce PRISM (Population-Retrieved Inference for Structured Multimodal Prognosis), a multimodal language model that combines per-feature numerical tokenization, recency-weighted aggregation of longitudinal ECGs, and a dual-modality population memory bank. Retrieval operates in representation space: the model receives mean-pooled embeddings of similar training-cohort encounters, while no individual retrieved record enters the prompt. On the 1,443-task MDS-ED benchmark, PRISM achieves AUROCs of 86.2% for diagnosis, 93.1% for deterioration, 91.8% for ICU admission, and 92.8% for mortality. These results use a 96-hour pre-arrival window unavailable to reported baselines. With benchmark-window inputs only, PRISM reaches 0.8895 AUROC, compared with 0.8937 for UniPACT and 0.8889 for MDS-ED. A matched-input compact fusion model using the same five evidence streams and frozen encoders reaches 0.7652 AUROC, versus 0.9092 for PRISM. Replacing numerical EHR encoding with text serialization reduces AUROC by 3.66 points; removing pre-arrival history reduces it by 1.97 points; and zeroing retrieval reduces it by 0.99 points. Genuine retrieval outperforms random-neighbor retrieval by 0.97 macro-average points, although a paired task-level sign test does not establish a uniform advantage (p=0.067). On the external MC-MED cohort, supervised fine-tuning reaches 0.8611 AUROC, compared with 0.8227 for locally trained gradient boosting and 0.7841 for source-only PRISM. These results support structure-aware multimodal integration and supervised external adaptation.
- Abstract（参考訳）: 臨床予後には、構造的測定、生理的波形、縦断的歴史、人口状況の統合が必要である。
PRISM(Population-Retrieved Inference for Structured Multimodal Prognosis)は,多モーダル言語モデルである。
Retrievalは表現空間で動作し、モデルが類似のトレーニングコホート遭遇の平均プール埋め込みを受け取り、検索された個々のレコードがプロンプトに入る。
1,443タスクのMDS-EDベンチマークでは、診断の86.2%、劣化の93.1%、ICUの91.8%、死亡の92.8%のAUROCを達成している。
これらの結果は、報告されたベースラインでは利用できない96時間前のウィンドウを使用する。
ベンチマークウィンドウ入力のみの場合、PRISMは0.8895 AUROC、UniPACTは0.8937、MDS-EDは0.8889に達する。
同じ5つのエビデンスストリームと凍結エンコーダを用いたマッチング入力型コンパクト核融合モデルは、PRISMでは0.9092AUROCに達する。
テキストシリアライゼーションによる数値EHRエンコーディングはAUROCを3.66ポイント減らし、AUROCを1.97ポイント減らし、ゼロ化検索は0.99ポイント減らした。
Genuine検索は0.97マクロ平均点のランダム近傍探索よりも優れるが、ペア化されたタスクレベルサインテストは一様優位性を確立しない(p=0.067)。
外部のMC-MEDコホートでは、教師付き微調整が0.8611 AUROCに達するのに対し、局所的に訓練された勾配上昇は0.8227、ソースのみのPRISMは0.7841である。
これらの結果は構造対応型マルチモーダル統合と教師付き外部適応をサポートする。
関連論文リスト
- PGP-Clinical-TimeKAN: Prior-Guided Joint Probabilistic Forecasting of Clinical Trajectories [33.074550441856196]
PGP-Clinical-TimeKANは多変量生理学の合同確率予測のための軌道優先のフレームワークである。
欠如を意識した時間エンコーダ、ソフトオルガン前駆体、患者固有の関係、非線形コルモゴロフ・アルノルドメッセージ、低ランクの多変量学生-tヘッドを組み合わせる。
論文 参考訳（メタデータ） (2026-08-24T23:33:35Z) - A cross-modal generative model for incomplete and degraded prostate MRI with multicentre clinical validation [48.14053205497089]
MSCNetは、入手できないコントラストを再構築し、劣化したコントラストを復元するためのシーケンス条件のクロスモーダル生成フレームワークである。
画像の画質は、DWI, ADC, T2Wの既定不等式基準を満たしたが、T1Wは満たされなかった。
論文 参考訳（メタデータ） (2026-08-17T08:11:25Z) - CaresAI at SMM4H-HeaRD 2026: Predicting TNM Staging [2.7998963147546143]
本研究は,SMM4H-HeaRD 2026の6番目の共有タスクとして癌ゲノムアトラス(TCGA)を報告し,腫瘍,リンパ節,転移(TNM)ステージラベルを独立に予測することを目的としている。
本稿では,TF-IDF(Term Frequency-Inverse Document Frequency)機能を用いた古典的および深層学習のアプローチと,CeriorBERT,BioBERT,PubMedBERTの埋め込みについて検討する。
以上の結果から,TNMラベルの分類と同様の埋め込みが可能である一方で,それらの組み合わせによって予測能力が向上することが示唆された。
論文 参考訳（メタデータ） (2026-07-03T16:25:35Z) - Efficient Transformer-Based Localized Patch Sampling for Choroid Plexus Segmentation in Multiple Sclerosis [26.831715552066694]
両側心室脈絡膜叢 (LVCP) は, 身体障害と神経炎症に関連する多発性硬化症 (MS) の指標として認識されている。
本研究の目的は,スタンドアロンおよびマルチモーダルMRI入力からMS内のLVCPを自動的に分割するSwinUNETR駆動パイプラインを開発することである。
論文 参考訳（メタデータ） (2026-06-02T12:32:43Z) - TwinWeaver: An LLM-Based Foundation Model Framework for Pan-Cancer Digital Twins [33.30007167473537]
Genie Digital Twin (GDT) は, がんのタイプ別に93,054人を対象に構築されている。
GDTは予測誤差を著しく低減し、平均絶対誤差(MASE)は0.87である。
GDTは、アウト・オブ・ディストリビューション・マッチング臨床試験に一般化し、ゼロショットでベースラインを訓練し、微調整でそれらを上回った。
論文 参考訳（メタデータ） (2026-01-28T15:40:54Z) - 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) - Generalizable Diabetes Risk Stratification via Hybrid Machine Learning Models [0.0]
糖尿病は世界中で5億3700万人を超え、2045年までに7億8300万人に達すると予測されている。
2つのハイブリッド分類器を比較し、外部コホート上での一般化性を評価する。
論文 参考訳（メタデータ） (2025-09-24T21:18:52Z) - Predicting Length of Stay in Neurological ICU Patients Using Classical Machine Learning and Neural Network Models: A Benchmark Study on MIMIC-IV [49.1574468325115]
本研究は、MIMIC-IVデータセットに基づく神経疾患患者を対象とした、ICUにおけるLOS予測のための複数のMLアプローチについて検討する。
評価されたモデルには、古典的MLアルゴリズム(K-Nearest Neighbors、Random Forest、XGBoost、CatBoost)とニューラルネットワーク(LSTM、BERT、テンポラルフュージョントランス)が含まれる。
論文 参考訳（メタデータ） (2025-05-23T14:06:42Z) - Semi-supervised learning for generalizable intracranial hemorrhage
detection and segmentation [0.0]
本研究は頭蓋内出血の検出・分節化のための半教師付き学習モデルの開発と評価である。
最初の「教師」ディープラーニングモデルは、2010年から2017年にかけて米国のある機関から収集された457ピクセルの頭部CTスキャンに基づいて訓練された。
2つ目の"学生"モデルは、このピクセルラベル付きデータセットと擬似ラベル付きデータセットの組み合わせでトレーニングされた。
論文 参考訳（メタデータ） (2021-05-03T00:14:43Z)
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。