PyTorchKR Papers

최신 논문

총 6편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2610.02576v1cs.AI

검증 가능하고 피드백 기반 언어 모델을 활용하여 임상 시험 근거 표에 대한 임상의의 질문에 답하기

Answering clinicians' questions over trial evidence tables with verifiable, feedback-driven language models

체계적 문헌고찰은 임상 시험 결과를 근거 표(evidence table)로 요약하지만, 임상의는 데이터베이스 쿼리를 통해서만 이러한 표를 질의할 수 있으며, 많은 질문은 약물의 표적 분류나 통합된 평가변수(endpoint)처럼 표에 기록되지 않은 속성과 관련되어 있습니다. 본 논문에서는 두 종류의 질문에 모두 답하고, 모든 답변의 배경이 되는 쿼리, 선정된 임상 시험 및 도출 규칙을 공개하며, 전문가의 교정으로부터 학습하는 언어 모델(LM) 프레임워크인 FD-SCoPE를 소개합니다. 159건의 면역관문억제제(immune checkpoint inhibitor) 임상 시험 기록으로 구성된 종양학 근거 표에서, FD-SCoPE는 140개의 임상의 대상 과제를 모두 완료했습니다(대안 모델 90.7~97.9%). 파생 속성이 필요한 질문의 경우, 89.8%의 양성 예측도(positive predictive value)로 관련 임상 시험 기록의 99.3%를 검색했으며 4가지 대안 접근법보다 우수한 성능을 보였습니다(파생값 F1 77.7% 대비 64.8~73.4%). 기준 답변으로부터 시뮬레이션된 299개 질문에 대한 교정은 이전에 보지 못한 1,201개 질문에 대한 F1 점수를 77.9%에서 84.9%로 향상시켰습니다. 실행 가능한 쿼리, 검증된 프로그램, 전문가 피드백과 결합된 언어 모델은 임상의에게 임상 시험 근거에 대한 검증 가능한 접근성을 제공할 수 있습니다.

arXiv:2607.01741v2stat.ML

LF-IBIS를 통한 완전 베이지안 강화학습

Full Bayesian Reinforcement Learning via LF-IBIS

명시적 가능도 함수 없이도 베이지안 강화학습(BRL)을 수행할 수 있도록, 근사 베이지안 계산(ABC)과 반복 배치 중요도 샘플링을 결합한 LF-IBIS 알고리즘을 제안한다. 이 방법은 환경 파라미터와 최적 정책 모두에 대한 근사 사후 분포를 온라인으로 업데이트하여 탐험-활용 트레이드오프를 베이지안 방식으로 처리하며, 임상시험 반응 적응형 무작위화 실험에서 그 유효성을 검증하였다.

arXiv:2602.13872v2stat.ME

고정 표본 검정 결정 예측을 통한 언제든 유효한 추론 실현

Predicting fixed-sample test decisions enables anytime-valid inference

통계적 가설 검정은 일반적으로 사전에 지정된 표본 크기를 사용하지만, 데이터는 종종 순차적으로 수집된다. 중간 분석은 고전적 오류 보증을 무효화하고, 기존의 순차적 방법들은 엄격한 검정 일정을 요구하거나 통계적 검정력에서 상당한 손실을 초래한다. 우리는 임의의 고정 표본 가설 검정을 언제든 유효한(anytime-valid) 검정으로 변환하면서, 제1종 오류(Type-I error) 통제를 보장하고 귀무 가설이 거짓일 때 상당한 표본 절감과 함께 준최적(near-optimal) 검정력을 달성하는 간단한 절차를 제안한다. 각 단계에서 이 절차는, 귀무 가설 하에서 미래 관측값을 결측 데이터로 처리하여 고전적 검정이 고정된 표본 크기에서 귀무 가설을 기각할 확률을 예측한다. 이 확률에 임계값을 적용하면 언제든 유효한 조기 종료 규칙(stopping rule)이 도출된다. 임상시험과 같은 분야에서 조기에 안전하게 종료함으로써 피험자가 최선의 치료를 받을 수 있도록 하고 효과적인 치료제 개발을 가속화할 수 있다.

arXiv:2501.18798v4stat.ME

AMP HIV 예방 임상시험에서 지역별 생존 효과를 위한 표적 데이터 융합

Targeted Data Fusion for Region-Specific Survival Effects in the AMP HIV Prevention Trials

AMP(항체 매개 예방) 임상시험은 수동 투여된 단일클론 광역 중화 항체(bnAbs)가 HIV-1 감염을 예방할 수 있음을 보여줌으로써 새로운 과학적 지평을 열었다. 미국, 브라질, 페루, 스위스, 사하라 이남 아프리카를 포함한 여러 지리적 지역에 걸쳐 수행된 AMP 임상시험은 치료 효능에서 상당한 지역적 이질성을 드러냈다. 이러한 차이점과 더불어, 중앙 집중식 데이터 풀링에 대한 프라이버시 및 규제 제한으로 인해, 개인 수준의 데이터를 공유하지 않으면서도 지역 간 정보를 차용할 수 있는 방법론이 필요하다. 분포적 이질성 하에서 지역별·치료별 생존 곡선을 추정하기 위해, 우리는 대상 집단과 정렬되지 않은 데이터 소스의 가중치를 낮추는 L1-정규화 기준을 통해 사이트별 추정량을 결합하는 연합 학습(federated learning) 접근법을 개발한다. 나아가 이 프레임워크를 위험 차이(RD), 생존 비율(SR), 제한 평균 생존 시간(RMST) 차이를 포함하는 일반적인 인과적 대조 클래스로 확장한다. 광범위한 시뮬레이션과 서로 다른 대상 집단에 대한 AMP 임상시험 분석을 통해, 제안된 접근법이 향상된 정밀도를 갖춘 프라이버시 보존적이고 지역 적응적인 추론을 제공함을 보인다.

arXiv:2606.30236v1cs.CL

CaresAI at CT-DEB26: 도메인 특화 트랜스포머 임베딩 및 분류 모델을 활용한 임상시험 투여 오류 탐지

CaresAI at CT-DEB26: Detecting Dosing Errors In Clinical Trials Using Domain-Specific Transformer Embeddings and Classification Models

약물 오류, 특히 임상시험(CT)에서의 투여 오류는 환자 피해, 약물 이상 반응 및 환자 예후 악화로 이어질 수 있다. 투여 오류는 예방 가능하며, 조기 발견을 통해 시험 무결성을 향상시키고 이후 임상적·경제적 부담을 완화할 수 있다. 본 연구는 생의학 말뭉치로 학습된 트랜스포머 기반 언어 모델을 활용하여 임상시험 정보의 텍스트 표현을 평가함으로써 임상시험 프로토콜 내 투여 오류를 탐지하는 것을 목표로 한다. 임상시험 텍스트 데이터는 ClinicalBERT, PubMedBERT, BioBERT, MedCPT를 포함한 여러 모델로 인코딩되었으며 범주형 특징과 통합되었다. 이 텍스트 임베딩은 실험 프레임워크 내 전통적인 머신러닝 모델 및 신경망 아키텍처의 입력으로 활용되었다. 성능은 투여 오류 예측에 대한 ROC-AUC를 기준으로 주로 평가되었다. 로지스틱 회귀 기준선 하에서 BioBERT는 대안 인코더들을 일관되게 능가하여 ROC-AUC 0.794를 달성하였으며, 이는 ClinicalBERT 기준선 대비 3.95% 향상된 수치이다. 여러 임베딩의 결합은 성능 향상을 가져오지 않아, 도메인 정합성이 표현 중첩보다 중요함을 시사한다. 그래디언트 부스팅 모델, 서포트 벡터 분류기, 로지스틱 회귀, 잔차 신경망은 투여 오류 예측에서 가장 강력한 성능을 달성하여 ROC-AUC 0.821~0.853을 기록하였다. 전반적으로, 도메인 특화 트랜스포머 임베딩과 구조화된 메타데이터의 통합은 사전 정의된 높은 투여 오류 위험 기준을 충족하는 임상시험의 판별을 가능하게 하여 안전성 모니터링을 발전시키고 정보에 기반한 규제 의사결정을 지원한다.

arXiv:2606.17777v1stat.ME

다중 치료 실험을 위한 반응 적응형 타겟팅 전략에 관하여

On Response-Adaptive Targeting Strategies for Multi-Treatment Experiments

임상 시험에서 반응 적응형 무작위 배정(RAR)은 관측된 결과에 기반하여 환자를 치료에 동적으로 할당함으로써 윤리적 및 통계적 효율성을 높이는 것을 목표로 합니다. 목표 최적 할당에 기반한 RAR은 두 팔(two-arms) 설정에서 광범위하게 연구되었으나, 다중 치료 실험($K \geq 2$)으로의 확장은 여전히 이론적으로 파편화되어 있으며, 대부분의 기존 방법은 특정 알고리즘이나 제한된 목표 할당에 초점을 맞추고 있습니다. 본 논문에서는 Hu et al. [2009]의 ERADE 두 팔 전략을 일반화한 반응 적응형 타겟팅을 위한 통합 프레임워크인 $\alpha$-재균형 타겟팅 전략($\alpha$RTS)을 소개합니다. 우리는 이 계열의 모든 설계가 강한 일치성, 할당 비율 및 치료 효과 추정량의 점근적 정규성, 그리고 점근적 효율성이라는 기본적인 점근적 성질을 공유함을 증명합니다. 일부 치료가 점근적으로 제거되는 희소 목표 레짐(sparse target regimes)을 해결하기 위해, 우리는 점근적 보장을 유지하면서 모든 치료에 대한 무한 샘플링을 보장하는 변형인 강제 탐험(Forced Exploration)을 적용한 $\alpha$RTS를 추가로 제안합니다. 광범위한 시뮬레이션은 3개 팔(3-armed) 맥락에서 $\alpha$RTS 변형들의 유한 표본 거동을 보여주며, 특히 희소 설정에서 강제 탐험의 중요한 역할을 강조합니다.