論文の概要: Latent-Graph Learning for Disease Prediction

• arxiv url: http://arxiv.org/abs/2003.13620v2
• Date: Fri, 13 May 2022 10:30:03 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-19 05:20:17.028752
• Title: Latent-Graph Learning for Disease Prediction
• Title（参考訳）: 病気予測のための潜在グラフ学習
• Authors: Luca Cosmo, Anees Kazi, Seyed-Ahmad Ahmadi, Nassir Navab and Michael Bronstein
• Abstract要約: 我々は,GCNの下流における疾患分類の課題に向けて,一つの最適なグラフを学習することが可能であることを示す。 一般的に用いられているスペクトルGCNアプローチとは異なり、我々のGCNは空間的かつ誘導的であり、これまで見られなかった患者も推測できる。
• 参考スコア（独自算出の注目度）: 44.26665239213658
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recently, Graph Convolutional Networks (GCNs) have proven to be a powerful machine learning tool for Computer-Aided Diagnosis (CADx) and disease prediction. A key component in these models is to build a population graph, where the graph adjacency matrix represents pair-wise patient similarities. Until now, the similarity metrics have been defined manually, usually based on meta-features like demographics or clinical scores. The definition of the metric, however, needs careful tuning, as GCNs are very sensitive to the graph structure. In this paper, we demonstrate for the first time in the CADx domain that it is possible to learn a single, optimal graph towards the GCN's downstream task of disease classification. To this end, we propose a novel, end-to-end trainable graph learning architecture for dynamic and localized graph pruning. Unlike commonly employed spectral GCN approaches, our GCN is spatial and inductive, and can thus infer previously unseen patients as well. We demonstrate significant classification improvements with our learned graph on two CADx problems in medicine. We further explain and visualize this result using an artificial dataset, underlining the importance of graph learning for more accurate and robust inference with GCNs in medical applications.
• Abstract（参考訳）: 近年、GCN(Graph Convolutional Networks)は、コンピュータ支援診断(CADx)と疾患予測のための強力な機械学習ツールであることが証明されている。 これらのモデルの主要な構成要素は、グラフ隣接行列がペアワイズ患者類似性を表すような人口グラフを構築することである。 これまで、類似度指標は手動で定義され、通常は人口統計や臨床検査などのメタ機能に基づいていた。 しかし、GCNはグラフ構造に非常に敏感であるため、計量の定義には注意深いチューニングが必要である。 本稿では、CADx領域において、GCNの下流における病気分類の課題に向けて、単一の最適なグラフを学習できることを初めて示す。 そこで本稿では,動的かつ局所化されたグラフプラニングのための,エンドツーエンドの学習可能なグラフ学習アーキテクチャを提案する。 一般的に用いられているスペクトルGCNアプローチとは異なり、我々のGCNは空間的かつ誘導的であり、これまで見られなかった患者も推測できる。 医学におけるCADxの2つの問題に対する学習グラフを用いて,有意な分類改善を示す。 さらに、医療応用におけるGCNによるより正確で堅牢な推論におけるグラフ学習の重要性について、人工的なデータセットを用いて、この結果を説明し、視覚化する。

関連論文リスト

• Extended Graph Assessment Metrics for Graph Neural Networks [13.49677006107642]
  回帰タスクと連続隣接行列のための拡張グラフアセスメントメトリクス(GAM)を導入する。 異なる医学集団グラフと異なる学習環境下で、これらの指標とモデル性能の相関関係を示す。
  論文  参考訳（メタデータ） (2023-07-13T13:55:57Z)
• Dynamic Graph Enhanced Contrastive Learning for Chest X-ray Report Generation [92.73584302508907]
  コントラスト学習を用いた医療レポート作成を支援するために,動的構造とノードを持つ知識グラフを提案する。 詳しくは、グラフの基本構造は一般知識から事前構築される。 各イメージ機能は、レポート生成のためにデコーダモジュールに入力する前に、独自の更新グラフに統合される。
  論文  参考訳（メタデータ） (2023-03-18T03:53:43Z)
• GraphHD: Efficient graph classification using hyperdimensional computing [58.720142291102135]
  本稿では,HDCを用いたグラフ分類のベースライン手法を提案する。 実世界のグラフ分類問題におけるGraphHDの評価を行った。 その結果,最新のグラフニューラルネットワーク (GNN) と比較すると,提案手法の精度は同等であることがわかった。
  論文  参考訳（メタデータ） (2022-05-16T17:32:58Z)
• Graph-in-Graph (GiG): Learning interpretable latent graphs in non-Euclidean domain for biological and healthcare applications [52.65389473899139]
  グラフは、医療領域において、非ユークリッドな非ユークリッドデータをユビキタスに表現し、分析するための強力なツールである。 近年の研究では、入力データサンプル間の関係を考慮すると、下流タスクに正の正の正則化効果があることが示されている。 タンパク質分類と脳イメージングのためのニューラルネットワークアーキテクチャであるGraph-in-Graph(GiG)を提案する。
  論文  参考訳（メタデータ） (2022-04-01T10:01:37Z)
• GKD: Semi-supervised Graph Knowledge Distillation for Graph-Independent Inference [41.348451615460796]
  本稿では,知識蒸留に基づく新しい半教師付き手法GKDを提案する。 自閉症スペクトラム障害の診断のための2つの公開データセットとアルツハイマー病に関する実験を行う。 これらの実験によると、GKDは従来のグラフベースのディープラーニング手法よりも精度、AUC、マクロF1で優れている。
  論文  参考訳（メタデータ） (2021-04-08T08:23:37Z)
• Heterogeneous Similarity Graph Neural Network on Electronic Health Records [74.66674469510251]
  非均質な類似度グラフニューラルネットワーク(HSGNN)を提案し、新しい異種GNNでEHRを分析します。 フレームワークは2つの部分から構成される: 1つは前処理方式で、もう1つはエンドツーエンドのGNNである。 GNNは全ての同質グラフを入力として取り、それら全てを1つのグラフに融合して予測する。
  論文  参考訳（メタデータ） (2021-01-17T23:14:29Z)
• Graph Contrastive Learning with Augmentations [109.23158429991298]
  グラフデータの教師なし表現を学習するためのグラフコントラスト学習(GraphCL)フレームワークを提案する。 我々のフレームワークは、最先端の手法と比較して、類似またはより良い一般化可能性、転送可能性、堅牢性のグラフ表現を作成できることを示す。
  論文  参考訳（メタデータ） (2020-10-22T20:13:43Z)
• Cross-Global Attention Graph Kernel Network Prediction of Drug Prescription [5.132187039529859]
  本稿では,慢性疾患薬物処方薬の結果を予測するグラフカーネルを学習するために,エンドツーエンドで解釈可能なディープラーニングアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2020-08-04T22:36:46Z)
• Differentiable Graph Module (DGM) for Graph Convolutional Networks [44.26665239213658]
  Differentiable Graph Module (DGM) は、下流タスクに最適なグラフのエッジ確率を予測する学習可能な関数である。 医療分野(退院予測)、脳画像(年齢予測)、コンピュータグラフィックス(3Dポイントクラウドセグメンテーション)、コンピュータビジョン(ゼロショット学習)の応用を幅広く評価する。
  論文  参考訳（メタデータ） (2020-02-11T12:59:35Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。