論文の概要: Local Causal Structure Learning and its Discovery Between Type 2 Diabetes and Bone Mineral Density

• arxiv url: http://arxiv.org/abs/2006.16791v1
• Date: Sat, 27 Jun 2020 08:27:00 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-16 07:40:37.724959
• Title: Local Causal Structure Learning and its Discovery Between Type 2 Diabetes and Bone Mineral Density
• Title（参考訳）: 局所因果構造学習と2型糖尿病と骨密度との関連
• Authors: Wei Wang, Gangqiang Hu, Bo Yuan, Shandong Ye, Chao Chen, YaYun Cui, Xi Zhang, Liting Qian
• Abstract要約: 2型糖尿病(T2DM)の患者は骨折を患う傾向にある。 そこで我々は,PKCL(Preside-Knowledge-driven Local Causal Structure Learning)というアルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 15.89951156172831
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Type 2 diabetes (T2DM), one of the most prevalent chronic diseases, affects the glucose metabolism of the human body, which decreases the quantity of life and brings a heavy burden on social medical care. Patients with T2DM are more likely to suffer bone fragility fracture as diabetes affects bone mineral density (BMD). However, the discovery of the determinant factors of BMD in a medical way is expensive and time-consuming. In this paper, we propose a novel algorithm, Prior-Knowledge-driven local Causal structure Learning (PKCL), to discover the underlying causal mechanism between BMD and its factors from the clinical data. Since there exist limited data but redundant prior knowledge for medicine, PKCL adequately utilize the prior knowledge to mine the local causal structure for the target relationship. Combining the medical prior knowledge with the discovered causal relationships, PKCL can achieve more reliable results without long-standing medical statistical experiments. Extensive experiments are conducted on a newly provided clinical data set. The experimental study of PKCL on the data is proved to highly corresponding with existing medical knowledge, which demonstrates the superiority and effectiveness of PKCL. To illustrate the importance of prior knowledge, the result of the algorithm without prior knowledge is also investigated.
• Abstract（参考訳）: 最も一般的な慢性疾患の一つである2型糖尿病(t2dm)は、人体のグルコース代謝に影響を与え、生命の量を減らし、社会医療に重荷を負う。 T2DM患者は、糖尿病が骨ミネラル密度(BMD)に影響を与えるため、骨脆弱性骨折を患う傾向にある。 しかし、医学的な方法でのBMDの決定要因の発見は高価で時間を要する。 本稿では,臨床データからBMDとその要因間の因果関係を明らかにするために,PKCL(Preside-Knowledge-driven Local Causal Structure Learning)という新しいアルゴリズムを提案する。 限られたデータが存在するが、医学の予備知識は冗長であるため、pkclは事前知識を十分に活用し、対象関係の局所因果構造をマイニングする。 医学的事前知識と発見因果関係を組み合わせることで、pkclは長期にわたる医学的統計実験なしでより信頼性の高い結果が得られる。 新たに提供された臨床データセットに対して、広範囲な実験を行う。 データに対するPKCLの実験的研究は、既存の医療知識と高い対応性を示し、PKCLの優位性と有効性を示す。 先行知識の重要性を説明するために,事前知識のないアルゴリズムの結果についても検討した。

関連論文リスト

• FedCVD: The First Real-World Federated Learning Benchmark on Cardiovascular Disease Data [52.55123685248105]
  心臓血管疾患(CVD)は、現在世界でも主要な死因であり、早期診断と治療の要点を浮き彫りにしている。 機械学習(ML)手法はCVDの早期診断に役立つが、その性能は高品質なデータへのアクセスに依存している。 本稿では、FedCVDという心臓血管疾患検出のための、世界初の実世界のFLベンチマークを示す。
  論文  参考訳（メタデータ） (2024-10-28T02:24:01Z)
• Reasoning-Enhanced Healthcare Predictions with Knowledge Graph Community Retrieval [61.70489848327436]
  KAREは、知識グラフ(KG)コミュニティレベルの検索と大規模言語モデル(LLM)推論を統合する新しいフレームワークである。 MIMIC-IIIでは最大10.8～15.0%、MIMIC-IVでは12.6～12.7%である。
  論文  参考訳（メタデータ） (2024-10-06T18:46:28Z)
• How Does Pruning Impact Long-Tailed Multi-Label Medical Image Classifiers? [49.35105290167996]
  プルーニングは、ディープニューラルネットワークを圧縮し、全体的なパフォーマンスに大きな影響を及ぼすことなく、メモリ使用量と推論時間を短縮する強力なテクニックとして登場した。 この研究は、プルーニングがモデル行動に与える影響を理解するための第一歩である。
  論文  参考訳（メタデータ） (2023-08-17T20:40:30Z)
• Deep Reinforcement Learning Framework for Thoracic Diseases Classification via Prior Knowledge Guidance [49.87607548975686]
  関連疾患に対するラベル付きデータの不足は、正確な診断にとって大きな課題となる。 本稿では,診断エージェントの学習を指導するための事前知識を導入する,新しい深層強化学習フレームワークを提案する。 提案手法の性能はNIHX-ray 14とCheXpertデータセットを用いて実証した。
  論文  参考訳（メタデータ） (2023-06-02T01:46:31Z)
• Optimizing Data-driven Causal Discovery Using Knowledge-guided Search [3.7489744097107316]
  本研究では,知識誘導型因果構造探索(KGS)手法を提案する。 人工的およびベンチマーク的実世界のデータセットを用いて、KGSを複数の環境で評価し、また、酸素治療に関する実生活医療アプリケーションで評価した。
  論文  参考訳（メタデータ） (2023-04-11T20:56:33Z)
• Predicting multiple sclerosis disease severity with multimodal deep neural networks [10.599189568556508]
  患者のMS病重症度を予測するための多モード深層学習フレームワークを構築するために,構造化ERHデータ,ニューロイメージングデータ,臨床ノートを活用するパイロット取り組みについて述べる。 提案したパイプラインは、単一モーダルデータを用いたモデルと比較して、受信者動作特性曲線(AUROC)の下での面積の最大25%増加を示す。
  論文  参考訳（メタデータ） (2023-04-08T16:23:18Z)
• Learning interpretable causal networks from very large datasets, application to 400,000 medical records of breast cancer patients [1.2647816797166165]
  我々は,汎用的な相互情報最高原理に基づく,より信頼性が高くスケーラブルな因果探索法(iMIIC)を報告する。 乳がん患者396,179名を対象に,iMIICの医療データと実生医療データについて紹介した。
  論文  参考訳（メタデータ） (2023-03-11T15:18:19Z)
• Competence-based Multimodal Curriculum Learning for Medical Report Generation [98.10763792453925]
  本稿では,コンピテンスベースのマルチモーダルカリキュラム学習フレームワーク(CMCL)を提案する。 具体的には、CMCLは放射線学者の学習過程をシミュレートし、段階的にモデルを最適化する。 パブリックIU-XrayとMIMIC-CXRデータセットの実験は、CMCLを既存のモデルに組み込んでパフォーマンスを向上させることができることを示している。
  論文  参考訳（メタデータ） (2022-06-24T08:16:01Z)
• Analyzing the impact of feature selection on the accuracy of heart disease prediction [0.5249805590164902]
  本研究の目的は,合併症の少ない心臓病の正確な分類を支援する高次元データセットから,最も重要なリスク因子を同定することである。 分類モデルの性能は、フル機能セットで訓練されたモデルと比較して、トレーニング時間を短縮して大幅に向上した。
  論文  参考訳（メタデータ） (2022-06-07T12:51:37Z)
• HINT: Hierarchical Interaction Network for Trial Outcome Prediction Leveraging Web Data [56.53715632642495]
  臨床試験は、有効性、安全性、または患者採用の問題により、不確実な結果に直面する。 本稿では,より一般的な臨床試験結果予測のための階層型Interaction Network(HINT)を提案する。
  論文  参考訳（メタデータ） (2021-02-08T15:09:07Z)

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。