初期の急性腎機能障害の予測のための適応的ミューテーションロックを備えた Causal-Transformer

arXiv:2604.20259v1 Announce Type: new 本文：急性腎機能障害（AKI）の早期正確な予測は、タイムリーな臨床介入に不可欠です。しかし、既存の深層学習モデルは不規則にサンプリングされたデータに対して困難に直面し、シーケンシャルアーキテクチャの「ブラックボックス」的な不透明性により、臨床の信頼に厳格に制限されています。これらの課題に対応するため、私たちは Causal-Transformer と連続時間モデル化を組み合わせた「CT-Former」を提案します。データの不規則性に対し、バイアスを伴わない人工的補間を持たず、患者の時間的軌道を自然に追跡するために、フレームワークは連続状態進化機構を利用します。ブラックボックスの問題を解決するために、Causal-Attention モジュールは解釈不能なヒッドデン状態の集約を放棄し、重篤な生理学的ショックの正確な歴史的発現を識別し追跡するために、有向構造因果行列を生成します。歴史的な異常と現在のリスク予測の間で明確な因果経路を確立することで、CT-Former は原生的な臨床解釈可能性を提供します。訓練は因果融合プロセスを個別に最適化するための分離された 2 段階プロトコルに従います。MIMIC-IV コホート（N=18,419）における大規模実験により、CT-Former は最先端の基準を著しく上回ることが示されました。結果は、当社の明示的に透明なアーキテクチャが臨床意思決定のための正確かつ信頼性の高いツールであることを確認しています。

arXiv:2604.20259v1 Announce Type: new Abstract: Accurate early prediction of Acute Kidney Injury (AKI) is critical for timely clinical intervention. However, existing deep learning models struggle with irregularly sampled data and suffer from the opaque "black-box" nature of sequential architectures, strictly limiting clinical trust. To address these challenges, we propose CT-Former, integrating continuous-time modeling with a Causal-Transformer. To handle data irregularity without biased artificial imputation, our framework utilizes a continuous-time state evolution mechanism to naturally track patient temporal trajectories. To resolve the black-box problem, our Causal-Attention module abandons uninterpretable hidden state aggregation. Instead, it generates a directed structural causal matrix to identify and trace the exact historical onset of severe physiological shocks. By establishing clear causal pathways between historical anomalies and current risk predictions, CT-Former provides native clinical interpretability. Training follows a decoupled two-stage protocol to optimize the causal-fusion process independently. Extensive experiments on the MIMIC-IV cohort (N=18,419) demonstrate that CT-Former significantly outperforms state-of-the-art baselines. The results confirm that our explicitly transparent architecture offers an accurate and trustworthy tool for clinical decision-making.