論文の概要: Integrating Heterogeneous Echocardiography AI Outputs in Language Space: Learnable Late Fusion with a Supervised LLM

• arxiv url: http://arxiv.org/abs/2610.39464v1
• Date: Thu, 29 Oct 2026 06:36:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-01 01:32:10.052503
• Title: Integrating Heterogeneous Echocardiography AI Outputs in Language Space: Learnable Late Fusion with a Supervised LLM
• Title（参考訳）: 言語空間における不均一心エコー法AI出力の統合: 短縮LDMによる学習可能な後期核融合
• Abstract要約: 教師付き大言語モデル(LLM)ベースのレイトフュージョンモジュールは、ビュー固有の予測発見文と言語空間における予測測定を集約する。 646例の859例の患者レベル3倍のクロスバリデーションにおいて, 提案手法は1つの枠組みに異種出力を統合する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: View- and target-specific echocardiography AI models capture useful but complementary information and may not achieve sufficient predictive performance in isolation. A learned ensemble is a natural way to combine these outputs, but heterogeneous models typically require each output to be converted into a binary decision, probability, confidence score, or fixed-length feature vector. We developed a supervised large language model (LLM)-based late-fusion module that directly aggregates view-specific predicted finding statements and predicted measurements in language space and learns a case-level fusion function. In patient-level three-fold cross-validation of 859 examinations from 646 patients, the proposed method integrated heterogeneous outputs within a single framework, performed comparably to the best-performing reference strategy evaluated, and outperformed a general-purpose LLM without task-specific training. These results suggest that a supervised LLM can combine multiple upstream models without model-specific output conversion or feature engineering that requires medical knowledge.
• Abstract（参考訳）: ビューおよびターゲット固有の心エコー法AIモデルは、有用なが相補的な情報をキャプチャし、孤立して十分な予測性能を達成できない可能性がある。 学習アンサンブルはこれらの出力を組み合わせる自然な方法であるが、不均一なモデルは通常、各出力を二分決定、確率、信頼スコア、固定長特徴ベクトルに変換する必要がある。 教師付き大規模言語モデル(LLM)に基づくレイトフュージョンモジュールを開発した。 646例の患者レベル859例のクロスバリデーションにおいて, 提案手法は1つの枠組みに異種出力を統合し, 評価した最も優れた基準戦略に適合し, タスク固有の訓練を伴わない汎用LSMよりも優れていた。 これらの結果から, モデル固有の出力変換や, 医療知識を必要とする特徴工学を必要とせずに, 教師付きLLMが複数の上流モデルを組み合わせることが可能であることが示唆された。

関連論文リスト

• Beyond Accuracy: Characterizing Code Comprehension Capabilities in (Large) Language Models [4.841487377596519]
  本稿では,Large Language Modelsのコード理解性能が従来の人間中心のソフトウェアメトリクスと一致しているかを検討する。 コード理解をバイナリインプット・アウトプット整合性タスクとして再編成する診断フレームワークを導入する。
  論文  参考訳（メタデータ） (2026-01-19T10:58:24Z)
• Leveraging large language models and traditional machine learning ensembles for ADHD detection from narrative transcripts [6.55440666066668]
  本稿では,物語の書き起こしを用いたADHD診断(バイナリ)の自動分類のためのアンサンブルフレームワークを提案する。 LLaMA3、RoBERTa、SVM(Support Vector Machine)の3つの補完モデルを統合する。 実験の結果、アンサンブルは個々のモデルよりも優れていた。
  論文  参考訳（メタデータ） (2025-05-27T15:22:01Z)
• Model Utility Law: Evaluating LLMs beyond Performance through Mechanism Interpretable Metric [99.56567010306807]
  大規模言語モデル(LLM)は、学術、産業、そして日々のアプリケーションに欠かせないものになっている。 大規模言語モデル (LLM) 時代における評価の課題の1つは一般化問題である。 従来の性能スコアを補完するメカニズムの解釈可能性向上指標であるモデル利用指数(MUI)を提案する。
  論文  参考訳（メタデータ） (2025-04-10T04:09:47Z)
• Smarter Together: Combining Large Language Models and Small Models for Physiological Signals Visual Inspection [10.163139697814007]
  大規模言語モデル(LLM)は、医療時系列データを視覚的に解釈する有望な能力を示している。 小型専門モデル(SSM)は、集中したタスクに強いパフォーマンスを提供するが、複雑な医療的意思決定に必要なより広範な理由を欠いている。 不整脈検出および睡眠段階分類に関する実験により、ConMILはLDMの精度を高めることができることが示された。
  論文  参考訳（メタデータ） (2025-01-27T17:07:20Z)
• DALD: Improving Logits-based Detector without Logits from Black-box LLMs [56.234109491884126]
  大規模言語モデル(LLM)はテキスト生成に革命をもたらし、人間の文章を忠実に模倣する出力を生成する。 我々は、ブラックボックステキスト検出における最先端性能を再定義する革新的なフレームワークであるDLD(Dis Distribution-Aligned LLMs Detection)を提案する。 DALDは、サロゲートモデルの分布を未知の目標LLMの分布と整合させ、高速モデルの反復に対する検出能力とレジリエンスを向上するように設計されている。
  論文  参考訳（メタデータ） (2024-06-07T19:38:05Z)
• Ensemble Learning for Heterogeneous Large Language Models with Deep Parallel Collaboration [39.35476224845088]
  大規模言語モデル(LLM)は様々なタスクにおいて補完的な強みを示し、LLMアンサンブルの研究を動機付けている。 本稿では,各復号ステップで異なるLLMから得られる情報的確率分布を融合した学習自由アンサンブルフレームワークDeePEnを提案する。
  論文  参考訳（メタデータ） (2024-04-19T08:52:22Z)
• An Iterative Optimizing Framework for Radiology Report Summarization with ChatGPT [80.33783969507458]
  放射線医学報告の「印象」セクションは、放射線医と他の医師とのコミュニケーションにとって重要な基盤である。 近年の研究では、大規模医療用テキストデータを用いた印象自動生成の有望な成果が得られている。 これらのモデルは、しばしば大量の医療用テキストデータを必要とし、一般化性能が劣る。
  論文  参考訳（メタデータ） (2023-04-17T17:13:42Z)

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。