跳到正文
arXiv cs.AI· Robbie Holland, Ashwin Kumar, Mateus A. Esmeraldo, David Le, Andrea Fisher, Jiazhen Pan, Louisa Fay, Magdalini Paschali, Vasiliki Sideri-Lampretsa, Ates Fettahoglu, Stefania Moroianu, Philipp Wesp, Ivan Lopez, Tom Nuno Wolf, McKenzie S. White, Eduardo Pontes Reis, Fatima Rodriguez, Curtis P. Langlotz, Vasilis Syrgkanis, Imon Banerjee, Akshay S. Chaudhari, Sergios Gatidis·· 10 小时前AI 评分48

Glyph:从临床数据中挖掘 AI 科学发现的可解释性引擎

Glyph: An Interpretability Engine for AI-Driven Scientific Discovery from Clinical Data

AI 导读

研究团队推出 Glyph,一个利用基础模型和稀疏自编码器从多模态临床数据中提取特征、并将其解读为临床概念的多阶段框架。Glyph 在 41,628 名患者的腹部 CT、放射报告和实验室数据中识别出 397 个预测性概念,获得 4,463 项 Bonferroni 显著关联,多数关联可在跨机构留出队列中自动复现。这些概念与文献来源标记形成互补,提升了预测能力,Glyph 已开源发布。

正文 · AI 翻译

作者:Robbie Holland、Ashwin Kumar、Mateus A. Esmeraldo、David Le、Andrea Fisher、Jiazhen Pan、Louisa Fay、Magdalini Paschali、Vasiliki Sideri-Lampretsa、Ates Fettahoglu、Stefania Moroianu、Philipp Wesp、Ivan Lopez、Tom Nuno Wolf、McKenzie S. White、Eduardo Pontes Reis、Fatima Rodriguez、Curtis P. Langlotz、Vasilis Syrgkanis、Imon Banerjee、Akshay S. Chaudhari、Sergios Gatidis

查看 PDF HTML(实验性)

摘要:自动化科学发现有望加深对疾病机制的理解,并加速早期疾病标志物的识别。在人群规模上进行人工数据标注不可行,这推动了从多模态和非结构化临床数据中自动提取预定义表型的方法。此类预定义特征集决定并限制了这些方法能够发现的关联。这一局限也延伸至使用这些工具查询人群规模数据的智能体 AI 系统。相比之下,基于大量临床数据训练的基础模型(FM)能够执行超出其训练目标的任务。这表明它们的潜在嵌入可能代表新颖或尚未探索的特征,从而有望为疾病机制提供洞见,然而此类潜在特征仍然难以解释。为应对这一挑战,我们提出了 Glyph,这是一个自动化多阶段框架,利用基础模型和稀疏自编码器从多模态和非结构化临床数据中提取特征,将其解释为编码的临床概念,并评估其对临床科学发现的价值。我们将 Glyph 应用于来自不同机构的 41,628 名患者的腹部 CT 体积、CT 放射学报告和实验室测量数据。我们识别出 397 个预测性概念,并得到 4,463 个 Bonferroni 显著关联的支持。此外,大多数发现的关联在不同站点的留出队列中可自动复现。Glyph 概念提供了与文献衍生标志物互补的关联,从而提升了预测能力。更广泛地说,这些发现表明,通过可解释性方法揭示的基础模型特征可以扩展对疾病的临床理解。我们在此 https URL 发布 Glyph。
主题: 人工智能(cs.AI)
引用为: arXiv:2611.08922 [cs.AI]
  (或本版本的 arXiv:2611.08922v2 [cs.AI])
  https://doi.org/10.48550/arXiv.2611.08922

由 DataCite 颁发的 arXiv DOI

提交历史

来自:Robbie Holland [查看电子邮件]
[v1] 2026 年 11 月 6 日星期五 03:08:38 UTC(17,322 KB)
[v2] 2026 年 11 月 18 日星期三 07:09:55 UTC(23,781 KB)

来源:arXiv cs.AI · arxiv.org