ジュン・ニー・ドゥ (Jun Ni Du) 氏らの研究チームは2026年8月20日(現地時間)に学術論文公開サイトarXiv cs.LGで公開された論文で、構造化された電子医療記録（EHRs）を用いた臨床予測タスク向けの新たなTransformerモデル「BERT-LER」を発表した。このモデルは、定量的な検査結果情報と入力医療イベントに対する解釈性を重視し、7500万人の患者から得られた匿名化されたEHRデータセットで事前学習およびファインチューニングされている。
BERT-LERは、検査結果を個別のトークンとしてエンコードするとともに、パーセンタイルベースのビン分割を通じて段階的な情報を保持する。また、Integrated Gradientsと組み合わせることで、入力EHRシーケンスに基づいたトークンレベルの帰属を提供し、モデルの判断根拠を説明可能にしている。
研究チームは、このアプローチを公開ベンチマークスイートであるEHRShotおよび実世界データに基づく喘息重症度進行研究で評価した。その結果、BERT-LERは予測性能において既存の公開ベンチマークモデルに匹敵し、検査関連タスクにおいてはこれらを上回る性能を達成した。
さらに、BERT-LERが提供する帰属（アトリビューション）は、臨床的に既知のリスク要因と一致することが確認された。この手法は、検査値の表現と説明可能性を単一のフレームワークで統合することで、EHR基盤スタイルのモデリングにおける方法論的なギャップを解消すると見られる。BERT-LERのアーキテクチャと説明可能性アプローチは、構造化EHRで訓練された言語モデルを使用する多くの治療領域や予測タスクに適用できる可能性が示されている。
参考: arXiv cs.LG (アーカイブ) — 2026年8月21日 02:54 (JST)
原文ハイライト"unifying laboratory value representation and explainability in a single framework"