論文の概要: Discrete Neural Interlingua for Ontology-Agnostic EHR Modeling

• arxiv url: http://arxiv.org/abs/2610.27047v1
• Date: Mon, 19 Oct 2026 17:58:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 21:58:47.440619
• Title: Discrete Neural Interlingua for Ontology-Agnostic EHR Modeling
• Title（参考訳）: オントロジー非依存型EHRモデリングのための離散神経インターリングア
• Abstract要約: MEDIATORは、テキストとして表現された任意の臨床概念を共有ベクトル量子化されたコードブックにマッピングする離散トークンである。 医学的に意味のある離散空間において、異なる概念を整理しながら、同等の表現を崩壊させる。 20のMIMIC-IIIタスクで4.0ポイント(8%相対)、14のeICUタスクへのゼロショット転送で8.6ポイント(29%相対)の平均AUPRCを改善する。
• 参考スコア（独自算出の注目度）: 8.726477707514025
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: EHR foundation models promise scalable clinical prediction across health systems, yet their deployment is constrained by a tokenization bottleneck. The same clinical concept can appear as different ontology codes, local identifiers, synonyms, or free-text descriptions, which standard EHR tokenizers treat as unrelated symbols. A model trained on MIMIC-III with a closed-vocabulary tokenizer can use only 13% of eICU events. We introduce MEDIATOR, a discrete ontology-agnostic tokenizer that maps any clinical concept expressed as text into a shared vector-quantized codebook, turning EHR harmonization into open-vocabulary tokenization without manual mappings or a fixed vocabulary. Trained with synonym supervision and guided by enriched concept descriptions, code co-occurrence, and relation graphs, MEDIATOR collapses equivalent expressions while organizing distinct concepts in a medically meaningful discrete space. Used as the token interface of an EHR Transformer, MEDIATOR improves mean AUPRC over the strongest prior tokenizer by 4.0 points (8% relative) on 20 MIMIC-III tasks and by 8.6 points (29% relative) in zero-shot transfer to 14 eICU tasks, where it uses all events. The transfer gain combines coverage and representation, as MEDIATOR remains the best tokenizer under identical inputs (+1.0 and +1.9 points on operational and subcohort-mortality tasks). Same-encoder controls show that the text encoder drives in-domain accuracy, while the learned objectives of MEDIATOR drive transfer robustness and entity-linking quality. MEDIATOR also enables transferable attribution across hospitals.
• Abstract（参考訳）: EHRファウンデーションモデルは、医療システム全体でスケーラブルな臨床予測を約束するが、それらの展開はトークン化ボトルネックによって制限される。 同じ臨床概念は、異なるオントロジーコード、ローカル識別子、シノニム、あるいは標準のEHRトークンーが無関係なシンボルとして扱う自由テキスト記述として現れる。 MIMIC-IIIで訓練されたモデルでは、eICUイベントの13%しか使用できない。 テキストとして表現された臨床概念を共有ベクトル量子化コードブックにマッピングし,手動マッピングや固定語彙を使わずに EHR をオープン語彙化に変換する。 同義語を指導し、豊富な概念記述、コード共起、関係グラフによって指導されたMEDIATORは、医学的に意味のある離散的な空間において異なる概念を組織化しながら、等価な表現を分解する。 EHRトランスフォーマーのトークンインターフェースとして使用されるMEDIATORは、20MIMIC-IIIタスクでは4.0ポイント(8%の相対)、14のeICUタスクでは8.6ポイント(29%の相対)の平均AUPRCを改善し、すべてのイベントを使用する。 転送ゲインはカバレッジと表現を兼ね備えており、MEDIATORは同じ入力(+1.0と+1.9は運用およびサブコホート・モーティリティのタスク)で最高のトークン化剤である。 同一エンコーダ制御は、テキストエンコーダがドメイン内精度を駆動し、MEDIATORの学習目的が転送堅牢性とエンティティリンク品質を駆動することを示す。 MEDIATORはまた、病院間で転送可能な属性を可能にする。

関連論文リスト

• Deep Label-Wise Attentive Temporal Convolutional Networks Improve Medical Coding [54.92174500158608]
  タスクを多ラベルテキスト分類問題としてモデル化する。 本稿では,多層時間畳み込みネットワーク(TCN)を用いたディープニューラルモデルを提案する。 本手法は,従来モデルに比べてF-1スコア(9%増加)が有意に向上し,リコールスコア(28%増加)が顕著に増加した。
  論文  参考訳（メタデータ） (2026-07-27T22:48:05Z)
• ClinFusion: A Vision-Centric Multimodal LLM System for Holistic Medical Understanding [67.57715989349471]
  MLLM(Multimodal large language model)は、臨床実践に革命をもたらす大きな可能性を秘めている。 我々は、総合的な医学的理解のために設計された視覚中心のMLLMであるClinFusionを紹介する。 ClinFusionは、総合的な2Dおよび3Dマルチモーダル・メディカル・ベンチマーク・スイートにまたがって、最先端の新たな状態を設定する。
  論文  参考訳（メタデータ） (2026-07-27T17:59:49Z)
• Gated Multi-Graph Fusion via Graph Attention Networks for Alzheimer's Disease Detection [52.36198268369384]
  自然発声はアルツハイマー病(AD)にとって重要な非侵襲的バイオマーカーである 本稿では,音声を自動音声認識(ASR)で書き起こし,セマンティック,依存性,共起グラフを構築するマルチビューGated Graph Attention Networkを提案する。
  論文  参考訳（メタデータ） (2026-06-30T06:15:59Z)
• Multimodal Medical Code Tokenizer [15.816571598837823]
  既存のトークン化器は、EHRからの医療コードを独立したテキストトークンとして扱う。 我々はMedTokを紹介した。MedTokはマルチモーダルな医療用コードトークンで、コードのテキスト記述とリレーショナルコンテキストを利用する。 本研究は,MedTokが医法コードの統一トークン化ツールとしての可能性を示し,医療基盤モデルのトークン化を改善したものである。
  論文  参考訳（メタデータ） (2025-02-06T06:58:09Z)
• Uncertainty-aware Medical Diagnostic Phrase Identification and Grounding [72.18719355481052]
  MRG(Messical Report Grounding)と呼ばれる新しい課題について紹介する。 MRGは医療報告から診断フレーズとその対応する接地箱を直接エンドツーエンドで識別することを目的としている。 マルチモーダルな大規模言語モデルを用いて診断フレーズを予測する,堅牢で信頼性の高いフレームワークである uMedGround を提案する。
  論文  参考訳（メタデータ） (2024-04-10T07:41:35Z)
• TransICD: Transformer Based Code-wise Attention Model for Explainable ICD Coding [5.273190477622007]
  国際疾患分類法 (ICD) は, 医療分野の請求システムにおいて有効かつ重要であることが示されている。 現在、ICDコードは手動で臨床メモに割り当てられており、多くのエラーを引き起こす可能性がある。 本稿では,文書のトークン間の相互依存を捉えるためにトランスフォーマーベースのアーキテクチャを適用し,コードワイド・アテンション・メカニズムを用いて文書全体のコード固有表現を学習する。
  論文  参考訳（メタデータ） (2021-03-28T05:34:32Z)
• TransUNet: Transformers Make Strong Encoders for Medical Image Segmentation [78.01570371790669]
  医用画像のセグメンテーションは医療システムの開発に必須の前提条件である。 様々な医療画像セグメンテーションタスクにおいて、U-Netとして知られるu字型アーキテクチャがデファクトスタンダードとなっている。 医用画像セグメンテーションの強力な代替手段として,トランスフォーマーとU-Netの両方を有効活用するTransUNetを提案する。
  論文  参考訳（メタデータ） (2021-02-08T16:10:50Z)
• An Explainable CNN Approach for Medical Codes Prediction from Clinical Text [1.7746314978241657]
  我々は集中治療室(ICU)における臨床テキストに基づくCNNベースの自動ICD符号化法を開発した。 私たちは、私たちのモデルが各ラベルの局所的および低レベルの機能を学ぶことを可能にするShallow and Wide Attention Convolutional Mechanism(SWAM)を思いつきました。
  論文  参考訳（メタデータ） (2021-01-14T02:05:34Z)

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。