論文の概要: EdgeDeID: A 0.6B Clinical De-identifier Trained Without Real Patient Data
- arxiv url: http://arxiv.org/abs/2610.33839v1
- Date: Sat, 24 Oct 2026 18:20:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-27 22:27:13.457164
- Title: EdgeDeID: A 0.6B Clinical De-identifier Trained Without Real Patient Data
- Title（参考訳）: EdgeDeID: 実際の患者データなしでトレーニングされた0.6Bの非識別診断器
- Abstract要約: EdgeDeIDはデコーダのみのデIDであり、ローカルで実行され、実際の患者テキストなしでトレーニングされる。
3人のLCM教師が合成ノートを書き、1つのラベルがそれらを1つの規約に再注釈し、モデルが見つけた識別子の型付きXMLスキーマを出力することを学ぶ。
100ノートのシンセサイティング・イン・ドメイン・ベンチマークでは0.994マイクロF1に達し、99%のノートに欠落した識別子は残っていないが、8つのオフ・ザ・シェルフ・システムの中で最強の0.857と12%である。
- 参考スコア（独自算出の注目度）: 0.2796197251957245
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: De-identifying clinical notes with a hosted language model discloses the information the step is meant to protect. We present EdgeDeID, a 0.6B-parameter decoder-only de-identifier that runs locally and is trained without real patient text: three LLM teachers write synthetic notes, a single labeler re-annotates them into one convention, and the model learns to emit a typed XML schema of the identifiers it finds. On a 100-note synthetic in-domain benchmark with manually verified annotations it reaches 0.994 micro-F1 and leaves no missed identifier in 99% of notes, against 0.857 and 12% for the strongest of eight off-the-shelf systems. Quantized, it runs on CPU in 615 MB. Of three additions to supervised training, only a verifier adapter helps: it separates complete from incomplete outputs of other systems at 0.94 AUROC, whereas reinforcement learning with a recall-weighted reward and a rule-based post-processing layer leave in-domain results unchanged. On MIMIC ICU nursing notes F1 falls to 0.48. The errors follow two properties our synthetic notes lack, telegraphic style and low identifier density, and three hand-written in-context examples recover 0.08 F1 without annotated target data.
- Abstract（参考訳）: 臨床ノートをホスト言語モデルで識別し、そのステップが保護しようとする情報を公開する。
3人のLCM教師が合成ノートを書き、1つのラベル付け者がそれらを1つの規約に注釈付けし、モデルが見つけた識別子の型付きXMLスキーマを出力することを学ぶ。
手動で検証されたアノテーションを備えた100ノートの総合的なドメイン内ベンチマークでは、0.994マイクロF1に達し、99%のノートに欠落した識別子を残していない。
量子化され、CPUは615MBで動作する。
教師付きトレーニングに追加された3つの追加のうち、検証器アダプタだけが、他のシステムの完全な出力から0.94 AUROCで分離するのに対して、リコール重み付けされた報酬とルールベースの後処理層による強化学習は、ドメイン内の結果を変更しない。
MIMIC ICU 看護ノート F1 は 0.48 に該当する。
エラーは、我々の合成音符に欠けている2つの特性、電信スタイル、低識別子密度、および3つの手書きインコンテキスト例が、注釈付きターゲットデータなしで0.08 F1を復元する。
関連論文リスト
- LearnActCoder: Role-Aware Error Memory for Adaptive Clinical Coding Agents [0.6670498055582527]
我々はLearner-Then-Actという,小さなラベル付きLEARNバッチからのエラーを構造化ミステイク知識データベース(MistakeKDB)に変換する推論時適応フレームワークを紹介した。
150の一致MIMIC-IIIノートでは、構造化されたMistakeKDBはCPT F1を5.9ポイント改善し、生のサンプルやリフレクションスタイルの記憶はメモリのベースラインの近くに残っており、ICD-9の改善は重要ではない。
同じメモリを1,000個のMIMIC-IIIノートに適用すると、安定したICD動作点を維持し、スケール/安定性の証拠を提供する。
論文 参考訳（メタデータ） (2026-09-17T05:27:46Z) - MedDeID enables locally governed clinical-text de-identification from real or synthetic training data [0.0]
MedDeIDは、社内アノテーションと合成ノート生成とモデルトレーニング、推論、偽名化、評価を組み合わせたオンプレミスフレームワークである。
独立に注釈が付された300点のオランダの病院のベンチマークでは、病院で訓練されたコンパクトトランスフォーマーが98.9%のテキストを検出した。
100のプライマリケアノートでは、合成訓練されたモデルは、病院で訓練されたモデル(90.3%対87.0%)よりも高いリコールを達成し、識別子フォーマットに対するロバスト性が向上した。
論文 参考訳（メタデータ） (2026-09-09T11:24:56Z) - SAM3-LoRA: Parameter-Efficient Adaptation of a Concept-Promptable Foundation Model for Multi-Class Structural Defect Segmentation [0.0]
本研究は,多層構造欠陥セグメンテーションにおけるローランド適応(LoRA)をSAM3に適用する。
本稿では,COCOスタイルのクラスラベルインスタンスセグメンテーションから直接,概念実証可能なモデルをトレーニングする監督手順について述べる。
論文 参考訳（メタデータ） (2026-08-31T23:19:59Z) - FedPref: Federated Preference Learning for Structured Radiology Report Extraction [69.11739400975445]
ラジオロジーレポートでは、自由テキストで発見と位置を記述しているが、下流の検索と分析では、これらの関係を固定スキーマで記述する必要がある。
我々はFedPrefを紹介します: 凍結した公開言語モデルは代替の抽出を提案し、ローカルアノテーションはそれらをランク付けし、サイトはプールされたコンパクトQwen3-8Bアダプタを協調訓練します。
不平等なデータ量と病気の有病率を持つ6つのシミュレートされた病院の開発データに基づき、FedPrefはクライアント平均F1を2.49ポイント、最悪のサイトF1を9.10ポイント改善する。
論文 参考訳（メタデータ） (2026-08-17T12:29:42Z) - Mapping CVEs to MITRE ATT&CK Techniques: A Curated Gold-Set Classifier and the Limits of LLM-Assisted Label Expansion [46.262619407930266]
我々は、専門家のMITRE Center for Threat-Informed Defense mappingsから1,207 CVEのキュレートされた金のデータセットにマルチラベル分類器をトレーニングする。
その結果得られたモデルは、ゼロショットの埋め込み類似性のベースラインと比較して、おおよそdoubles recall@5である。
次に,LLMによるラベリングが金のデータセットを拡張できるかどうかを検討する。
論文 参考訳（メタデータ） (2026-07-28T10:59:04Z) - What Does 99% Accuracy Measure? A Reproducible Audit of Shortcut Learning in a Widely Used Fake News Corpus [0.0]
ISOT/Kaggle "Fake and Real News"コーパスで訓練されたテキスト分類器は、常に精度を報告し、F1は0.98以上である。
コーパスを3つのリークチャネルと2つの分散シフトプロトコルに沿って監査し、すべてのコードと派生番号を解放する。
3つのモデルはいずれも最寄りのランキング(ROC-AUC 0.54-0.57)に落ち、最下位のベースラインには勝っていない。
論文 参考訳（メタデータ） (2026-07-26T11:00:45Z) - Fantastic Adaptive Taxonomies and How to Use Them [100.20614173157708]
AdaMASTは、実行トレースをコンパクトでエビデンスに基づく障害分類に変換する。
コードには手書きのコードはなく、人間による注釈もない。
エージェント・システム・サーチでは、失敗候補の分類コード診断が自由形式より優れている。
論文 参考訳（メタデータ） (2026-07-17T17:41:16Z) - Symbolic Augmentation Closes a Canonical-Equivalence Blind Spot in Neural Fact-Checkers [1.7844382164707184]
我々は,5種類の型付き誤り分類と1500石のベンチマークを導入する。
このベンチマークで微調整されたModernBERTエンコーダはマクロF1 = 0.899に達する。
本稿では,ラベル保存型強化トレーニングデータを生成するために,シンボル検証器のモジュールを逆向きに動作させる訓練時フレームワークであるSybolic Augmentationを提案する。
論文 参考訳（メタデータ） (2026-05-19T15:58:00Z) - Label Inference Attacks against Federated Unlearning [52.102277522089814]
Federated Unlearning(FU)は、クライアントを忘れる権利に対応するための有望なソリューションとして登場した。
我々は、FUに対する新たなプライバシー脅威を導入・分析し、新しいラベル推論攻撃であるULIAを提案する。
論文 参考訳（メタデータ） (2025-08-09T02:38:24Z) - DynClean: Training Dynamics-based Label Cleaning for Distantly-Supervised Named Entity Recognition [49.54155332262579]
本稿では,トレーニングの進行に伴うモデルの挙動を生かした,トレーニングダイナミクスに基づくラベルクリーニング手法を提案する。
また,遠隔ラベルの誤りを見つけるための自動しきい値推定手法も導入する。
提案手法は,4つのデータセットにまたがる高度なDS-NER手法よりも優れている。
論文 参考訳（メタデータ） (2025-04-06T20:54:42Z) - Few-Shot Cross-lingual Transfer for Coarse-grained De-identification of
Code-Mixed Clinical Texts [56.72488923420374]
事前学習型言語モデル (LM) は低リソース環境下での言語間移動に大きな可能性を示している。
脳卒中におけるコードミキシング(スペイン・カタラン)臨床ノートの低リソース・実世界の課題を解決するために,NER (name recognition) のためのLMの多言語間転写特性を示す。
論文 参考訳（メタデータ） (2022-04-10T21:46:52Z)
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。