論文の概要: SMI: Ontology-Grounded Semantic IDs for Hierarchy-Aware Medical Concept Representation

• arxiv url: http://arxiv.org/abs/2610.18672v1
• Date: Tue, 13 Oct 2026 16:30:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.682545
• Title: SMI: Ontology-Grounded Semantic IDs for Hierarchy-Aware Medical Concept Representation
• Title（参考訳）: SMI:階層型医療概念表現のためのオントロジーを取り巻くセマンティックID
• Abstract要約: オントロジーに基づくセマンティックIDと階層型医療概念表現を構築するためのトレーニングフリーフレームワークを提案する。 SMIは、診断、処置、あるいは治療のコンセプトごとに、セマンティックIDを専門家が定義した医療オントロジーを通じて、粗い細い経路として定義している。 SMIは、凍結された生体医学的LM埋め込みを対応するレベルに集約し、階層性に配慮した医療概念表現を形成する。
• 参考スコア（独自算出の注目度）: 35.911098137633466
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Biomedical language models (LMs) provide strong representations for clinical tasks, but they often fail to capture the hierarchical structure among medical concepts. This limitation is especially pronounced for rare and fine-grained clinical codes in long-tailed vocabularies, where hierarchy-agnostic LM representations become less informative as concept frequency decreases. We introduce Semantic Medical Identifier (SMI), a training-free framework for constructing ontology-grounded Semantic IDs and hierarchy-aware medical concept representations. For each diagnosis, procedure, or medication concept, SMI defines its Semantic ID as the coarse-to-fine path through an expert-defined medical ontology. SMI then aggregates frozen biomedical LM embeddings across the corresponding ontology levels to form hierarchy-aware medical concept representations that preserve coarse-to-fine clinical semantics. The base SMI uses uniform aggregation across ontology levels, while a level-weighted variant selects global level weights on validation data. Our theoretical analysis shows that SMI yields more informative medical concept representations than hierarchy-agnostic LM embeddings, particularly for rare and fine-grained clinical concepts. Experiments show that SMI captures meaningful hierarchical structure and improves clinical relation prediction. On MIMIC-IV, SMI improves mortality prediction, readmission prediction, drug recommendation, and rare drug prediction. On eICU, SMI yields more robust patient representations under cross-hospital distribution shift.
• Abstract（参考訳）: バイオメディカル言語モデル(LM)は、臨床業務において強力な表現を提供するが、医療概念の階層構造を捉えることに失敗することが多い。 この制限は、長い尾の語彙における稀できめ細かな臨床コードに対して特に顕著であり、概念周波数が減少するにつれて、階層に依存しないLM表現がより情報的になる。 オントロジーに基づくセマンティックIDと階層型医療概念表現を構築するためのトレーニングフリーフレームワークであるセマンティックメディカル識別子(SMI)を紹介する。 SMIは、診断、処置、あるいは治療のコンセプトごとに、セマンティックIDを専門家が定義した医療オントロジーを通じて、粗い細い経路として定義している。 次に、SMIは凍結した生体医学的LM埋め込みを、それに対応するオントロジーレベルに集約し、粗い臨床意味を保存するための階層的な医療概念の表現を形成する。 ベースSMIはオントロジーレベル全体にわたる一様アグリゲーションを使用し、レベル重み付き変種は検証データに基づいてグローバルレベル重みを選択する。 我々の理論解析により,SMIは,特に稀かつ微細な臨床概念において,階層に依存しないLM埋め込みよりも,より情報に富む医療概念の表現が得られていることが示された。 実験により,SMIは有意義な階層構造を捉え,臨床関係予測を改善することが示された。 MIMIC-IVでは、SMIは死亡予測、寛容予測、薬物推奨、希少薬物予測を改善する。 eICUでは、SMIはクロスホスピタル分布シフトの下でより堅牢な患者表現をもたらす。

関連論文リスト

• Concept-Grounded Reasoning with Prompt-Driven Localization for Interpretable Structured Report Generation [66.62662330558906]
  CORALは、空間的接地と概念レベルの監督を統一的な推論プロセスに統合するマルチモーダルフレームワークである。 コーラルは、疾患の局所化とコンセプション・ボトルネックモジュールによる多クラス臨床属性の予測のために、プロンプト駆動型医療セグメンテーションモデルを採用している。 BUS-CoTとIU X線データセットの実験では、診断精度、概念整合性、報告品質が強力な汎用および医療MLLMよりも一貫した改善が示されている。
  論文  参考訳（メタデータ） (2026-09-14T10:21:23Z)
• MMBU: A Massive Multi-modal Biomedical Understanding Benchmark to Probe the Perception Capabilities of Vision-Language Models [83.50100003741628]
  ビジョンと言語モデル(VLM)は、バイオメディカルイメージングを変革する大きな可能性を秘めている。 本稿では,MMBU(Massive Multimodal Biomedical Understanding)ベンチマークを紹介する。 今までで最大のビジョンと言語ベンチマークで、35のサブモダリティと豊富な構造化メタデータをカバーしている。
  論文  参考訳（メタデータ） (2026-06-04T20:24:47Z)
• Learning from Medical Entity Trees: An Entity-Centric Medical Data Engineering Framework for MLLMs [34.87373678921793]
  MLLM(Multimodal Large Language Models)は、医療応用における変革の可能性を示しているが、その性能は従来のデータキュレーション戦略によって妨げられている。 本稿では,Entity-Centric Medical Data Engineering フレームワークを提案する。 我々は権威ある医学文献からエンティティを自動的に抽出し、疾患、解剖学的構造、モダリティ、症状を体系的に統合された知識リポジトリにエンコードする階層構造であるメディカルエンティティツリー(MET)を構築する。
  論文  参考訳（メタデータ） (2026-04-28T07:05:26Z)
• Text-Attributed Knowledge Graph Enrichment with Large Language Models for Medical Concept Representation [14.711294299248024]
  医療概念表現のための LLM を利用したグラフ学習フレームワークである CoMed を提案する。 CoMedはまず、EHRから抽出された統計的に信頼性の高い関連と、型制約のLLMを組み合わせることで、医療コードに対するグローバルな知識グラフ(KG)を構築する。 次に LLM を利用して、ノード記述とエッジ論理を生成することで、KG をテキスト対応グラフに拡張する。 最後に、CoMedはLoRAで調整されたLLaMAテキストエンコーダとヘテロジニアスGNNを併用して、テキストセマンティクスとグラフ構造を統一された概念埋め込みに融合させる。
  論文  参考訳（メタデータ） (2026-04-14T22:29:18Z)
• MedLayBench-V: A Large-Scale Benchmark for Expert-Lay Semantic Alignment in Medical Vision Language Models [2.0221473384338884]
  MedLayBench-Vは、エキスパート・レイ・セマンティックアライメントに特化した最初の大規模マルチモーダル・ベンチマークである。 MedLayBench-Vは、臨床専門家と患者の間のコミュニケーションの分断をブリッジできる次世代のMed-VLMの訓練と評価のための検証された基盤を提供する。
  論文  参考訳（メタデータ） (2026-04-07T11:39:41Z)
• 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)
• XAI for In-hospital Mortality Prediction via Multimodal ICU Data [57.73357047856416]
  マルチモーダルICUデータを用いて病院内死亡率を予測するための,効率的で説明可能なAIソリューションを提案する。 我々は,臨床データから異種入力を受信し,意思決定を行うマルチモーダル・ラーニングを我々のフレームワークに導入する。 我々の枠組みは、医療研究において重要な要素の発見を容易にする他の臨床課題に容易に移行することができる。
  論文  参考訳（メタデータ） (2023-12-29T14:28:04Z)
• SHAMSUL: Systematic Holistic Analysis to investigate Medical Significance Utilizing Local interpretability methods in deep learning for chest radiography pathology prediction [1.0138723409205497]
  局所的解釈可能なモデル非依存説明法(LIME)、共有付加的説明法(SHAP)、グラディエント重み付きクラス活性化マッピング(Grad-CAM)、レイヤワイド関連伝搬法(LRP)の4つの方法の適用について検討した。 本分析では, 単一ラベルと多ラベルの予測を両方含み, 定量的, 定性的な調査を通じて包括的かつ不偏な評価を行い, 人的専門家のアノテーションと比較した。
  論文  参考訳（メタデータ） (2023-07-16T11:10:35Z)

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。