Fugu-MT 論文翻訳(概要): Network Module Detection from Multi-Modal Node Features with a Greedy Decision Forest for Actionable Explainable AI

論文の概要: Network Module Detection from Multi-Modal Node Features with a Greedy Decision Forest for Actionable Explainable AI

arxiv url: http://arxiv.org/abs/2108.11674v1
Date: Thu, 26 Aug 2021 09:42:44 GMT
ステータス: 処理完了
システム内更新日: 2021-08-27 14:10:21.875287
Title: Network Module Detection from Multi-Modal Node Features with a Greedy Decision Forest for Actionable Explainable AI
Title（参考訳）: 実行可能aiのための欲望決定フォレストを用いたマルチモーダルノード特徴からのネットワークモジュール検出
Authors: Bastian Pfeifer, Anna Saranti and Andreas Holzinger
Abstract要約: 本研究では,Greedy Decision Forest を用いたマルチモーダルノード特徴に基づくサブネットワーク検出について述べる。私たちのガラスボックスアプローチは、がんなどの疾患をよりよく理解するために、マルチオミクスデータから病気を引き起こすネットワークモジュールを明らかにするのに役立ちます。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Network-based algorithms are used in most domains of research and industry in a wide variety of applications and are of great practical use. In this work, we demonstrate subnetwork detection based on multi-modal node features using a new Greedy Decision Forest for better interpretability. The latter will be a crucial factor in retaining experts and gaining their trust in such algorithms in the future. To demonstrate a concrete application example, we focus in this paper on bioinformatics and systems biology with a special focus on biomedicine. However, our methodological approach is applicable in many other domains as well. Systems biology serves as a very good example of a field in which statistical data-driven machine learning enables the analysis of large amounts of multi-modal biomedical data. This is important to reach the future goal of precision medicine, where the complexity of patients is modeled on a system level to best tailor medical decisions, health practices and therapies to the individual patient. Our glass-box approach could help to uncover disease-causing network modules from multi-omics data to better understand diseases such as cancer.
Abstract（参考訳）: ネットワークベースのアルゴリズムは、研究や産業のほとんどの領域で様々なアプリケーションで使われており、非常に実用的です。本研究では,新しいグリーディ決定フォレストを用いて,マルチモーダルノードの特徴に基づくサブネットワーク検出について述べる。後者は専門家を維持し、将来そのようなアルゴリズムへの信頼を得る上で重要な要素となるだろう。本稿では,具体的な応用例を示すために,バイオインフォマティクスとシステム生物学に焦点をあて,特にバイオメディシンに焦点をあてる。しかし,本手法は他の多くの領域にも適用可能である。システム生物学は、統計データ駆動機械学習が大量のマルチモーダルバイオメディカルデータの分析を可能にする分野の非常に良い例である。これは、患者の複雑さをシステムレベルでモデル化し、個々の患者に最適な医療判断、医療実践、治療を行うという、将来的な精密医療の目標を達成するために重要である。われわれのglass-boxアプローチは、マルチオミクスデータから病気の原因となるネットワークモジュールを明らかにするのに役立つだろう。

関連論文リスト

MultiMed: Massively Multimodal and Multitask Medical Understanding [41.160488390597905]
MultiMedは、幅広い医学的モダリティとタスクにわたる大規模学習の評価と有効化を目的として設計されたベンチマークである。医療報告、病理学、ゲノム学、タンパク質データなど10の医療モダリティにまたがる256万のサンプルで構成されている。我々はMultiMedを用いて、最先端のユニモーダル、マルチモーダル、マルチタスクモデルのベンチマークを行う。
論文参考訳（メタデータ） (2024-08-22T18:41:36Z)
Automated Ensemble Multimodal Machine Learning for Healthcare [52.500923923797835]
本稿では,自動機械学習を用いた構造化臨床(タブラル)データと医用画像の統合を実現するマルチモーダルフレームワークAutoPrognosis-Mを紹介する。 AutoPrognosis-Mには、畳み込みニューラルネットワークとビジョントランスフォーマーを含む17のイメージングモデルと、3つの異なるマルチモーダル融合戦略が含まれている。
論文参考訳（メタデータ） (2024-07-25T17:46:38Z)
Simplicity within biological complexity [0.0]
文献を調査し、マルチスケール分子ネットワークデータの埋め込みのための包括的フレームワークの開発について論じる。ネットワーク埋め込み手法はノードを低次元空間の点にマッピングすることにより、学習空間の近接性はネットワークのトポロジ-関数関係を反映する。本稿では,モデルから効率的かつスケーラブルなソフトウェア実装に至るまで,マルチオミックネットワークデータのための汎用的な包括的埋め込みフレームワークを開発することを提案する。
論文参考訳（メタデータ） (2024-05-15T13:32:45Z)
An Evaluation of Large Language Models in Bioinformatics Research [52.100233156012756]
本研究では,大規模言語モデル(LLM)の性能について,バイオインフォマティクスの幅広い課題について検討する。これらのタスクには、潜在的なコーディング領域の同定、遺伝子とタンパク質の命名されたエンティティの抽出、抗微生物および抗がんペプチドの検出、分子最適化、教育生物情報学問題の解決が含まれる。以上の結果から, GPT 変種のような LLM がこれらのタスクの多くをうまく処理できることが示唆された。
論文参考訳（メタデータ） (2024-02-21T11:27:31Z)
Diversifying Knowledge Enhancement of Biomedical Language Models using Adapter Modules and Knowledge Graphs [54.223394825528665]
我々は、軽量なアダプターモジュールを用いて、構造化された生体医学的知識を事前訓練された言語モデルに注入するアプローチを開発した。バイオメディカル知識システムUMLSと新しいバイオケミカルOntoChemの2つの大きなKGと、PubMedBERTとBioLinkBERTの2つの著名なバイオメディカルPLMを使用している。計算能力の要件を低く保ちながら,本手法がいくつかの事例において性能改善につながることを示す。
論文参考訳（メタデータ） (2023-12-21T14:26:57Z)
BiomedGPT: A Generalist Vision-Language Foundation Model for Diverse Biomedical Tasks [68.39821375903591]
汎用AIは、さまざまなデータ型を解釈する汎用性のために、制限に対処する可能性を秘めている。本稿では,最初のオープンソースかつ軽量な視覚言語基盤モデルであるBiomedGPTを提案する。
論文参考訳（メタデータ） (2023-05-26T17:14:43Z)
Multimodal Data Integration for Oncology in the Era of Deep Neural Networks: A Review [0.0]
多様なデータ型を統合することで、がんの診断と治療の精度と信頼性が向上する。ディープニューラルネットワークは、洗練されたマルチモーダルデータ融合アプローチの開発を促進する。グラフニューラルネットワーク(GNN)やトランスフォーマーといった最近のディープラーニングフレームワークは、マルチモーダル学習において顕著な成功を収めている。
論文参考訳（メタデータ） (2023-03-11T17:52:03Z)
Multimodal Machine Learning in Precision Health [10.068890037410316]
本総説は, この分野を要約し, 今後の研究に欠かせない話題を特定するものである。コンテンツ分析と文献検索を組み合わせて,2011年から2021年にかけてPubMed, Google Scholar, IEEEXploreの検索文字列とデータベースを構築した。情報融合の最も一般的な形態は、初期の融合であり、特に、異種データ融合を行う予測性能の改善があった。
論文参考訳（メタデータ） (2022-04-10T21:56:07Z)
The Medkit-Learn(ing) Environment: Medical Decision Modelling through Simulation [81.72197368690031]
医用シーケンシャルな意思決定に特化して設計された新しいベンチマークスイートを提案する。 Medkit-Learn(ing) Environmentは、高忠実度合成医療データに簡単かつ簡単にアクセスできるPythonパッケージである。
論文参考訳（メタデータ） (2021-06-08T10:38:09Z)
Analyzing the Effect of Multi-task Learning for Biomedical Named Entity Recognition [6.09170287691728]
エンティティ認識のための最先端のディープラーニングベースのソリューションは、大きな注釈付きデータセットを必要とすることが多い。異なるバイオメディカル・エンティティ・データセット間の転送可能性を理解するために、広範囲な分析を行った。本稿では,移動学習とマルチタスク学習を組み合わせることで,生物医学的実体認識システムの性能を向上させることを提案する。
論文参考訳（メタデータ） (2020-11-01T04:52:56Z)
Domain Generalization for Medical Imaging Classification with Linear-Dependency Regularization [59.5104563755095]
本稿では,医用画像分類分野におけるディープニューラルネットワークの一般化能力向上のための,シンプルだが効果的なアプローチを提案する。医用画像の領域変数がある程度コンパクトであることに感銘を受けて,変分符号化による代表的特徴空間の学習を提案する。
論文参考訳（メタデータ） (2020-09-27T12:30:30Z)

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。