2025年12月25日
## 要約：
本研究では、大規模言語モデル(LLM)を知識キュレーターとして活用し、肺がん患者の検査データ、遺伝子情報、薬剤情報を高精度な特徴量に変換するフレームワークを提案しました。この手法は、既存のモデルを上回り、治療予後予測の精度を向上させることができ、病院の情報システムへの統合も容易です。LLMを予測モデルとしてではなく、知識キュレーションのツールとして活用することで、臨床現場でのAI活用を促進します。
---
## 翻訳：
arXiv:2512.20633v1 Announce Type: new
Abstract: 肺がんの治療予後を正確に予測することは、現実世界の電子カルテデータの疎性、異質性、文脈の過多のために依然として困難です。従来のモデルは、マルチモーダルデータストリームにわたるセマンティック情報を十分に捉えられず、大規模なファインチューニングアプローチは臨床ワークフローには非現実的です。我々は、大規模言語モデル(LLMs)を目標指向型知識キュレーター(GKC)として活用し、検査データ、遺伝子情報、薬剤情報を高忠実度でタスクに合わせた特徴量に変換するフレームワークを導入します。汎用的な埋め込みとは異なり、GKCは予測対象に合わせた表現を生成し、オフラインの前処理ステップとして、病院の情報システムパイプラインに自然に統合されます。肺がんコホート(N=184)を用いて、GKCを専門家が設計した特徴量、直接的なテキスト埋め込み、エンドツーエンドのトランスフォーマーと比較しました。このアプローチは、平均AUROCが0.803（95% CI: 0.799-0.807）を達成し、すべてのベースラインを上回りました。アブレーション研究は、3つのモダリティを組み合わせることの相補的な価値をさらに確認しました。これらの結果は、セマンティック表現の品質が、疎な臨床データ設定における予測精度を決定する主要な要素であることを示しています。LLMをブラックボックス予測器ではなく、知識キュレーションエンジンとして再構築することで、本研究は腫瘍学におけるAI駆動型意思決定支援を進めるための、スケーラブルで解釈可能で、ワークフローと互換性のある経路を実証します。
[📰 原文はこちら](https://arxiv.org/abs/2512.20633)
---
※本記事はAI（Ollama）による自動翻訳・要約です。
BittensorManがお勧めするメーカーリスト
https://exbridge.jp/xdirect/
AI時代の技術と知識のまとめ(AI生成メディア) - AIDexx
https://exbridge.jp/aidexx/
頑張って働く人に向けて、プロ用仕事アイテムを格安でネット販売しているX-Direct（ https://exdirect.net ）を、BittensorManは応援しています。
動画の最後にお得な情報がありますので、
最後までご覧ください。
