論文の概要: CODA: Cohort- and Drift-aware Foundation Model for Multimodal Clinical Reasoning

• arxiv url: http://arxiv.org/abs/2610.25871v1
• Date: Mon, 19 Oct 2026 06:29:13 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-20 22:04:41.866279
• Title: CODA: Cohort- and Drift-aware Foundation Model for Multimodal Clinical Reasoning
• Title（参考訳）: CODA(Cohort- and Drift-aware Foundation Model for Multimodal Clinical Reasoning)
• Abstract要約: CODAはマルチモーダルな臨床推論のためのコホートおよびドリフト対応基盤モデルである。 2つの相補的なメカニズムを通じてコホート構造をモデリングパイプラインに統合する。 様々な臨床タスクにおいて、一貫した有効性と強力な一般化性を達成する。
• 参考スコア（独自算出の注目度）: 37.01493722440333
• License:
• Abstract: Recent advances in multimodal foundation models have demonstrated strong performance across diverse clinical tasks. However, existing approaches predominantly operate at the individual sample level and fail to model the interplay between population-level cohort patterns and patient-specific variation that underlie real-world clinical reasoning. In practice, clinicians routinely reason through patient cohorts sharing similar demographic, physiological, or pathological characteristics, while accounting for patient-specific deviations from the group prototype. Motivated by this gap, we propose CODA, a cohort- and drift-aware foundation model for multimodal clinical reasoning. CODA explicitly integrates cohort structure into the modeling pipeline through two complementary mechanisms: cohort-aware population stratification and drift-aware individual adaptation. In particular, we leverage reinforcement learning to discover clinically meaningful patient cohorts, and further model each patient's deviation from cohort prototypes as a structured drift signal encoding fine-grained individual heterogeneity. These cohort- and drift-aware representations are incorporated into the foundation model to enable reasoning that is simultaneously informed by population-level patterns and sensitive to individual-level variation. Extensive experiments on real-world electronic health record (EHR) benchmarks demonstrate that CODA achieves consistent effectiveness and strong generalizability across diverse clinical tasks, including closed-QA, open-QA, and report generation.
• Abstract（参考訳）: マルチモーダル基礎モデルの最近の進歩は、様々な臨床課題にまたがって強いパフォーマンスを示している。 しかし、既存のアプローチは主に個々のサンプルレベルで動作し、実際の臨床推論の根底にある集団レベルのコホートパターンと患者固有のバリエーションの相互作用をモデル化することができない。 実際には、臨床医は、同じ人口統計学的、生理的、または病理学的特徴を共有する患者コホートを通じて、定期的に理屈を定めながら、グループプロトタイプからの患者固有の逸脱を考慮に入れている。 このギャップを動機として,マルチモーダルな臨床推論のためのコホートおよびドリフト対応基盤モデルであるCODAを提案する。 CODAはcohort-aware population stratificationとfloat-aware individual adaptationという2つの相補的なメカニズムを通じて、コホート構造をモデリングパイプラインに明示的に統合する。 特に,臨床上有意なコホートを発見するために強化学習を活用し,さらに,各患者のコホートプロトタイプからの逸脱を,微細な個々の不均一性をコードする構造化ドリフト信号としてモデル化する。 これらのコホートとドリフトを意識した表現を基礎モデルに組み込んで,個体群レベルのパターンによって同時に伝達され,個体群レベルの変動に敏感な推論を可能にする。 実世界の電子健康記録(EHR)ベンチマークの広範な実験により、CODAはクローズドQA、オープンQA、レポート生成を含む様々な臨床タスクにおいて、一貫した有効性と強力な一般化性を達成することが示された。

関連論文リスト

• 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)
• Cohort-Anchored Foundation Models for Electronic Health Records: From Risk Scores to Auditable Peer Cohorts [3.299672391663527]
  本稿では,患者コホートを学習パイプライン全体を通じて一級対象に高めるためのコホート・アンコレッド財団モデルフレームワークを提案する。 このフレームワークは、偏差認識データキュレーション、コホート条件付きプレトレーニング、マルチモーダルコホートアライメント、クリニアン・イン・ザ・ループ・リファインメントの4つのステージで構成されている。 心電図による急性腎傷害予測,心血管性リスク層形成,眼神経障害三徴症,網膜電図による報告の4つの臨床症例について検討した。
  論文  参考訳（メタデータ） (2026-06-20T05:14:43Z)
• Clinical Cognition Alignment for Gastrointestinal Diagnosis with Multimodal LLMs [63.535652574541764]
  MLLM(Multimodal Large Language Models)は医用画像解析において顕著な可能性を示した。 消化器内視鏡におけるそれらの応用は、現在、2つの重要な限界によって妨げられている。 本稿では,これらの課題に対処する新しい臨床認知アライメント(CogAlign)フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-21T07:47:37Z)
• Integrating Genomics into Multimodal EHR Foundation Models [56.31910745104141]
  本稿では,ポリジェニックリスクスコア(PRS)を基本データモダリティとして統合した,革新的なEHR基盤モデルを提案する。 このフレームワークは、臨床データと遺伝子前置詞の複雑な関係を学習することを目的としている。 このアプローチは、病気の予測、積極的な健康管理、リスク階層化、パーソナライズされた治療戦略に対する新たな洞察を解放するために重要である。
  論文  参考訳（メタデータ） (2025-10-24T15:56:40Z)
• Atherosclerosis through Hierarchical Explainable Neural Network Analysis [5.481707651804491]
  我々は,コホートの文脈における臨床特徴と,個々の患者特有の分子データという,患者の2つの特徴を生かした階層型グラフニューラルネットワークフレームワークを開発した。 ATHENAは、説明可能なAI(XAI)によるサブネットワーククラスタリングを通じて、機械的にインフォームドされた患者サブタイプの発見を可能にする。
  論文  参考訳（メタデータ） (2025-07-10T01:51:53Z)
• 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)
• Deep Representation Learning of Electronic Health Records to Unlock Patient Stratification at Scale [0.5498849973527224]
  ヘテロジニアスEHRを処理するためのディープラーニングに基づく教師なしフレームワークを提案する。 患者層形成を効果的かつ効果的に行うことができる患者表現を導出する。
  論文  参考訳（メタデータ） (2020-03-14T00:04:20Z)

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。