論文の概要: Phenotypical Ontology Driven Framework for Multi-Task Learning
- arxiv url: http://arxiv.org/abs/2009.02188v1
- Date: Fri, 4 Sep 2020 13:46:07 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-22 01:33:16.732498
- Title: Phenotypical Ontology Driven Framework for Multi-Task Learning
- Title（参考訳）: マルチタスク学習のための現象型オントロジー駆動フレームワーク
- Authors: Mohamed Ghalwash, Zijun Yao, Prithwish Chakraborty, James Codella,
Daby Sow
- Abstract要約: オントロジー駆動型マルチタスク学習フレームワークOMTLを提案する。
確立された医療関係グラフ(オントロジー)からの知識を効果的に活用し、新しいディープラーニングネットワークアーキテクチャを構築する。
本研究は,最先端マルチタスク学習方式における実際の患者結果予測に有効性を示す。
- 参考スコア（独自算出の注目度）: 5.4507302335583345
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Despite the large number of patients in Electronic Health Records (EHRs), the
subset of usable data for modeling outcomes of specific phenotypes are often
imbalanced and of modest size. This can be attributed to the uneven coverage of
medical concepts in EHRs. In this paper, we propose OMTL, an Ontology-driven
Multi-Task Learning framework, that is designed to overcome such data
limitations. The key contribution of our work is the effective use of knowledge
from a predefined well-established medical relationship graph (ontology) to
construct a novel deep learning network architecture that mirrors this
ontology. It can effectively leverage knowledge from a well-established medical
relationship graph (ontology) by constructing a deep learning network
architecture that mirrors this graph. This enables common representations to be
shared across related phenotypes, and was found to improve the learning
performance. The proposed OMTL naturally allows for multitask learning of
different phenotypes on distinct predictive tasks. These phenotypes are tied
together by their semantic distance according to the external medical ontology.
Using the publicly available MIMIC-III database, we evaluate OMTL and
demonstrate its efficacy on several real patient outcome predictions over
state-of-the-art multi-task learning schemes.
- Abstract（参考訳）: 電子健康記録(ehrs)の患者は多いが、特定の表現型の結果をモデル化するための利用可能なデータのサブセットはしばしば不均衡であり、サイズは小さい。
これは、EHRにおける医療概念の不均一なカバレッジに起因する可能性がある。
本稿では,オントロジー駆動型マルチタスク学習フレームワークであるOMTLを提案する。
我々の研究の重要な貢献は、このオントロジーを反映した新しいディープラーニングネットワークアーキテクチャを構築するために、事前に確立された医療関係グラフ(オントロジー)からの知識の有効利用である。
このグラフを反映したディープラーニングネットワークアーキテクチャを構築することで、確立した医療関係グラフ(オントロジー)からの知識を効果的に活用することができる。
これにより、共通表現を関連する表現型間で共有することができ、学習性能を向上させることができた。
提案したOMTLは自然に異なる予測タスク上で異なる表現型のマルチタスク学習を可能にする。
これらの表現型は、外的医学的オントロジーに従って意味的距離で結合される。
公開されているMIMIC-IIIデータベースを用いて,OMTLを評価し,最先端のマルチタスク学習方式における実際の患者結果予測に有効性を示す。
関連論文リスト
- Causal Representation Learning from Multimodal Biological Observations [57.00712157758845]
我々は,マルチモーダルデータに対するフレキシブルな識別条件の開発を目指している。
我々は、各潜伏成分の識別可能性を保証するとともに、サブスペース識別結果を事前の作業から拡張する。
我々の重要な理論的要素は、異なるモーダル間の因果関係の構造的空間性である。
論文 参考訳（メタデータ） (2024-11-10T16:40:27Z) - Representation-Enhanced Neural Knowledge Integration with Application to Large-Scale Medical Ontology Learning [3.010503480024405]
本稿では,関係型の同時学習を実現するため,理論的に保証されたRENKIという統計フレームワークを提案する。
提案フレームワークは,表現学習出力をニューラルネットワークの初期エンティティ埋め込みに組み込んで,知識グラフのスコア関数を近似する。
ヘテロジニアス関係の存在下での重み付けの効果と、非パラメトリックモデルに表現学習を組み込むことの利点を実証する。
論文 参考訳（メタデータ） (2024-10-09T21:38:48Z) - LoRKD: Low-Rank Knowledge Decomposition for Medical Foundation Models [59.961172635689664]
知識分解」は、特定の医療課題のパフォーマンス向上を目的としている。
我々はLow-Rank Knowledge Decomposition(LoRKD)という新しいフレームワークを提案する。
LoRKDは、低ランクのエキスパートモジュールと効率的な知識分離畳み込みを組み込むことで、グラデーションを異なるタスクから明確に分離する。
論文 参考訳（メタデータ） (2024-09-29T03:56:21Z) - Multi-modal Graph Learning over UMLS Knowledge Graphs [1.6311327256285293]
医療概念の有意義な表現を学習するためのMMUGL(Multi-Modal UMLS Graph Learning)を提案する。
これらの表現は、患者の訪問全体を表すために集約され、シークエンスモデルに入力され、患者の複数の病院訪問の粒度で予測される。
論文 参考訳（メタデータ） (2023-07-10T10:16:57Z) - Hierarchical Pretraining for Biomedical Term Embeddings [4.69793648771741]
階層データに基づく新しいバイオメディカル用語表現モデルであるHiPrBERTを提案する。
HiPrBERTは階層的な情報からペアワイズ距離を効果的に学習し,さらにバイオメディカルな応用に極めて有用な埋め込みを実現できることを示す。
論文 参考訳（メタデータ） (2023-07-01T08:16:00Z) - Time Associated Meta Learning for Clinical Prediction [78.99422473394029]
本稿では,時間関連メタラーニング(TAML)手法を提案する。
タスク分割後のスパーシリティ問題に対処するため、TAMLは時間情報共有戦略を採用し、正のサンプル数を増やす。
複数の臨床データセットに対するTAMLの有効性を示す。
論文 参考訳（メタデータ） (2023-03-05T03:54:54Z) - Benchmarking Heterogeneous Treatment Effect Models through the Lens of
Interpretability [82.29775890542967]
治療のパーソナライズされた効果を見積もるのは複雑だが、普及している問題である。
ヘテロジニアス処理効果推定に関する機械学習文献の最近の進歩は、洗練されたが不透明なツールの多くを生み出した。
我々は、ポストホックな特徴重要度法を用いて、モデルの予測に影響を及ぼす特徴を特定する。
論文 参考訳（メタデータ） (2022-06-16T17:59:05Z) - Structured Multi-task Learning for Molecular Property Prediction [30.77287550003828]
本稿では,タスク間の関係グラフが利用可能な新しい環境下で,分子特性予測のためのマルチタスク学習について検討する。
本研究では,その関係グラフに状態グラフニューラルネットワーク(SGNN)を適用し,タスク表現をモデル化する。
エネルギーベースモデル (EBM) を用いた構造予測を, ノイズコントラスト推定 (NCE) 手法により効率的に学習できる。
論文 参考訳（メタデータ） (2022-02-22T20:31:23Z) - MIMO: Mutual Integration of Patient Journey and Medical Ontology for
Healthcare Representation Learning [49.57261599776167]
本稿では、医療表現学習と予測分析のための、エンドツーエンドの堅牢なトランスフォーマーベースのソリューション、患者旅行の相互統合、医療オントロジー(MIMO)を提案する。
論文 参考訳（メタデータ） (2021-07-20T07:04:52Z) - Deep Co-Attention Network for Multi-View Subspace Learning [73.3450258002607]
マルチビューサブスペース学習のための深層コアテンションネットワークを提案する。
共通情報と相補情報の両方を敵意で抽出することを目的としている。
特に、新しいクロス再構成損失を使用し、ラベル情報を利用して潜在表現の構築を誘導する。
論文 参考訳（メタデータ） (2021-02-15T18:46:44Z) - Ensemble manifold based regularized multi-modal graph convolutional
network for cognitive ability prediction [33.03449099154264]
マルチモーダル機能磁気共鳴イメージング(fMRI)を使用して、脳の接続ネットワークに基づいて個々の行動特性および認知特性を予測することができます。
本稿では,fMRI時系列と各脳領域間の機能接続(FC)を組み込んだ,解釈可能な多モードグラフ畳み込みネットワーク(MGCN)モデルを提案する。
我々は、フィラデルフィア神経開発コホート上のMGCNモデルを検証し、個々の広範囲達成テスト(WRAT)スコアを予測します。
論文 参考訳（メタデータ） (2021-01-20T20:53:07Z)
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。