論文の概要: Graph-Based Deep Learning for Medical Diagnosis and Analysis: Past,
Present and Future
- arxiv url: http://arxiv.org/abs/2105.13137v1
- Date: Thu, 27 May 2021 13:32:45 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-28 16:29:18.559701
- Title: Graph-Based Deep Learning for Medical Diagnosis and Analysis: Past,
Present and Future
- Title（参考訳）: 医用診断・分析のためのグラフベース深層学習:過去・現在・未来
- Authors: David Ahmedt-Aristizabal, Mohammad Ali Armin, Simon Denman, Clinton
Fookes, Lars Petersson
- Abstract要約: 医療データを分析するために、機械学習、特にディープラーニングメソッドをどのように活用するかを検討することが重要になっている。
既存のメソッドの大きな制限は、グリッドのようなデータにフォーカスすることです。
グラフニューラルネットワークは、生物学的システムに存在する暗黙の情報を利用することによって、大きな注目を集めている。
- 参考スコア（独自算出の注目度）: 36.58189530598098
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: With the advances of data-driven machine learning research, a wide variety of
prediction problems have been tackled. It has become critical to explore how
machine learning and specifically deep learning methods can be exploited to
analyse healthcare data. A major limitation of existing methods has been the
focus on grid-like data; however, the structure of physiological recordings are
often irregular and unordered which makes it difficult to conceptualise them as
a matrix. As such, graph neural networks have attracted significant attention
by exploiting implicit information that resides in a biological system, with
interactive nodes connected by edges whose weights can be either temporal
associations or anatomical junctions. In this survey, we thoroughly review the
different types of graph architectures and their applications in healthcare. We
provide an overview of these methods in a systematic manner, organized by their
domain of application including functional connectivity, anatomical structure
and electrical-based analysis. We also outline the limitations of existing
techniques and discuss potential directions for future research.
- Abstract（参考訳）: データ駆動機械学習研究の進歩により、様々な予測問題に取り組んできた。
機械学習、特に深層学習手法が医療データ分析にどのように活用できるかを探求することが重要になっている。
既存の方法の大きな制限はグリッドのようなデータに焦点を合わせることであるが、生理的記録の構造はしばしば不規則で順序付けされていないため、それらを行列として概念化することは困難である。
このように、グラフニューラルネットワークは、生物学的システムに存在する暗黙の情報を活用し、重みが時間的関連または解剖学的結合であるエッジで接続された対話ノードによって大きな注目を集めている。
本調査では,異なるタイプのグラフアーキテクチャとその医療への応用について概観する。
機能的接続性,解剖学的構造,電気的解析などの応用領域を整理し,それらの手法の概要を体系的に示す。
また,既存技術の限界について概説し,今後の研究の方向性について論じる。
関連論文リスト
- Ontology Embedding: A Survey of Methods, Applications and Resources [54.3453925775069]
オントロジはドメイン知識とメタデータを表現するために広く使われている。
1つの簡単な解決策は、統計分析と機械学習を統合することである。
埋め込みに関する多くの論文が出版されているが、体系的なレビューの欠如により、研究者はこの分野の包括的な理解を妨げている。
論文 参考訳（メタデータ） (2024-06-16T14:49:19Z) - Representation Learning for Person or Entity-centric Knowledge Graphs:
An Application in Healthcare [0.757843972001219]
本稿では、構造化データと非構造化データからエンティティ中心のKGを抽出するエンドツーエンド表現学習フレームワークを提案する。
我々は、人の複数の面を表す星型分類器を導入し、それをKG生成のガイドに利用する。
このアプローチにはいくつかの潜在的なアプリケーションがあり、オープンソースであることを強調します。
論文 参考訳（メタデータ） (2023-05-09T17:39:45Z) - State of the Art and Potentialities of Graph-level Learning [54.68482109186052]
グラフレベルの学習は、比較、回帰、分類など、多くのタスクに適用されている。
グラフの集合を学習する伝統的なアプローチは、サブストラクチャのような手作りの特徴に依存している。
ディープラーニングは、機能を自動的に抽出し、グラフを低次元表現に符号化することで、グラフレベルの学習をグラフの規模に適応させるのに役立っている。
論文 参考訳（メタデータ） (2023-01-14T09:15:49Z) - Automated Coronary Arteries Labeling Via Geometric Deep Learning [13.515293812745343]
血管造影検査から得られた3次元座標データによく適合する直感的なグラフ表現法を提案する。
その後、幾何学的深層学習を用いて対象別グラフの分析を試みる。
提案モデルでは,141例の専門的アノテートラベルを用いて,各冠動脈セグメントの表現を学習し,訓練データにおける解剖学的変動の影響を捉えた。
論文 参考訳（メタデータ） (2022-12-01T09:31:08Z) - An explainability framework for cortical surface-based deep learning [110.83289076967895]
我々は,皮質表面の深層学習のためのフレームワークを開発した。
まず,表面データに摂動に基づくアプローチを適用した。
我々の説明可能性フレームワークは,重要な特徴とその空間的位置を識別できるだけでなく,信頼性と有効性も示している。
論文 参考訳（メタデータ） (2022-03-15T23:16:49Z) - Self-Supervised Graph Representation Learning for Neuronal Morphologies [75.38832711445421]
ラベルのないデータセットから3次元神経形態の低次元表現を学習するためのデータ駆動型アプローチであるGraphDINOを提案する。
2つの異なる種と複数の脳領域において、この方法では、専門家による手動の特徴に基づく分類と同程度に形態学的細胞型クラスタリングが得られることを示す。
提案手法は,大規模データセットにおける新しい形態的特徴や細胞型の発見を可能にする可能性がある。
論文 参考訳（メタデータ） (2021-12-23T12:17:47Z) - A Survey on Graph-Based Deep Learning for Computational Histopathology [36.58189530598098]
我々は、デジタル病理と生検画像パッチの分析に機械学習と深層学習の利用が急速に拡大しているのを目撃した。
畳み込みニューラルネットワークを用いたパッチワイド機能に関する従来の学習は、グローバルなコンテキスト情報をキャプチャしようとする際のモデルを制限する。
本稿では,グラフに基づく深層学習の概念的基盤を提供し,腫瘍の局在と分類,腫瘍浸潤とステージング,画像検索,生存予測の現在の成功について論じる。
論文 参考訳（メタデータ） (2021-07-01T07:50:35Z) - Representation Learning for Networks in Biology and Medicine:
Advancements, Challenges, and Opportunities [18.434430658837258]
我々は,ネットワークを用いたモデリング,分析,学習への表現学習技術の急速な拡大を目の当たりにした。
本論では,ネットワーク生物学と医学の長年の原則が,表現学習の概念的基盤を提供できるという見解を述べる。
位相的特徴を利用してネットワークをコンパクトなベクトル空間に埋め込むアルゴリズムアプローチのスペクトルを合成する。
論文 参考訳（メタデータ） (2021-04-11T00:20:00Z) - Graph Neural Networks for Node-Level Predictions [0.7310043452300736]
ディープラーニングはコンピュータビジョン、テキスト、音声処理などの分野を含む多くの研究分野に革命をもたらした。
本研究の目的は、ノードレベルの予測タスクのための、グラフニューラルネットワークに基づく機械学習手法の、初期および近代的な概要を提供することである。
論文 参考訳（メタデータ） (2020-06-22T11:57:03Z) - Opportunities and Challenges of Deep Learning Methods for
Electrocardiogram Data: A Systematic Review [62.490310870300746]
心電図(Electrocardiogram、ECG)は、医学および医療において最も一般的に用いられる診断ツールの1つである。
深層学習法は心電図信号を用いた予測医療タスクにおいて有望な結果を得た。
本稿では、モデリングとアプリケーションの観点から、ECGデータに対するディープラーニング手法の体系的なレビューを行う。
論文 参考訳（メタデータ） (2019-12-28T02:44:29Z)
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。