EviCare：深層モデルによる証拠ガイドで診断予測を強化し、インコンテキスト推論を改善する
arXiv cs.CL / 2026/4/14
💬 オピニオンSignals & Early TrendsIdeas & Deep AnalysisModels & Research
要点
- 本論文は、EHR（電子健康記録）からの診断予測のための枠組みEviCareを提案する。深層モデルのガイダンスを用いてLLMのインコンテキスト推論を改善し、過去に観測された診断への過剰適合を低減する。
- 生のEHRをそのままLLMに直接プロンプトするのではなく、EviCareは深層モデルによる候補選択、集合ベースの記録に対する証拠の優先付け、関係性に基づく証拠構築を行い、未知の診断予測をより適切に扱う。
- 本枠組みは、これらのガイダンス信号を統合して適応的なインコンテキスト・プロンプトを生成し、精度の向上と解釈可能性の改善の両方を狙う。
- MIMIC-IIIおよびMIMIC-IVでの実験により、EviCareは有意な改善を示し、LLMのみおよび深層モデルのみのベースラインに対して、適合率と精度の平均で20.65%上回る。
- 改善は未知の診断予測で特に大きく、平均30.97%の向上が得られる。これは、この手法が臨床的に重要であるにもかかわらず、これまで十分に表れていなかった疾患に対して特に有効であることを示している。
