論文の概要: Application of quantum computing to a linear non-Gaussian acyclic model for novel medical knowledge discovery

• arxiv url: http://arxiv.org/abs/2110.04485v1
• Date: Sat, 9 Oct 2021 07:12:44 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-12 16:49:13.934831
• Title: Application of quantum computing to a linear non-Gaussian acyclic model for novel medical knowledge discovery
• Title（参考訳）: 量子コンピューティングの線形非ガウス非巡回モデルへの新しい医学的知識発見への応用
• Authors: Hideaki Kawaguchi
• Abstract要約: 本研究では,実世界の医療データのみから因果関係を発見するために,線形非ガウス非巡回モデルに量子コンピューティングを適用した。 QLiNGAMは、少量のデータしか得られなくても、新しい医療知識を発見し、医療問題の解決に寄与することができるかもしれない。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recently, with the digitalization of medicine, the utilization of real-world medical data collected from clinical sites has been attracting attention. In this study, quantum computing was applied to a linear non-Gaussian acyclic model to discover causal relationships from real-world medical data alone. Specifically, the independence measure of DirectLiNGAM, a causal discovery algorithm, was calculated using the quantum kernel and its accuracy on real-world medical data was verified. When DirectLiNGAM with the quantum kernel (qLiNGAM) was applied to real-world medical data, a case was confirmed in which the causal structure could be correctly estimated when the amount of data was small, which was not possible with existing methods. It is suggested that qLiNGAM may be able to discover new medical knowledge and contribute to the solution of medical problems, even when only a small amount of data is available.
• Abstract（参考訳）: 近年,医療のデジタル化に伴い,臨床現場から収集した実世界の医療データの利用が注目されている。 本研究では, 量子コンピューティングを線形非ゲージ非循環モデルに適用し, 実世界の医療データのみから因果関係を探索した。 具体的には、因果探索アルゴリズムであるDirectLiNGAMの独立度を量子カーネルを用いて計算し、実世界の医療データに対する精度を検証した。 量子カーネル (qlingam) を実世界の医療データに適用した場合, 既存の手法では不可能であったデータ量が小さい場合, 因果構造を正確に推定できる場合が確認された。 qLiNGAMは、少量のデータしか入手できない場合でも、新しい医療知識を発見し、医療問題の解決に寄与する可能性があることが示唆されている。

関連論文リスト

• medIKAL: Integrating Knowledge Graphs as Assistants of LLMs for Enhanced Clinical Diagnosis on EMRs [13.806201934732321]
  medIKALは、診断能力を高めるために、LLM(Large Language Models)と知識グラフ(KG)を組み合わせる。 medIKALは、そのタイプに基づいて医療記録のエンティティに重み付けされた重要性を割り当て、KG内の候補疾患の正確な局在を可能にする。 新たに導入した中国のEMRデータセットの広範な実験により,medIKALの有効性を検証した。
  論文  参考訳（メタデータ） (2024-06-20T13:56:52Z)
• 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)
• Risk Assessment of Lymph Node Metastases in Endometrial Cancer Patients: A Causal Approach [1.8933952173153485]
  本稿では,ブートストラップ再サンプリングに基づく因果ベイズネットワークの因果探索アルゴリズムを提案する。 ランダムに欠落する可能性のある欠落データの存在を踏まえて,本研究の長所と短所について考察する。
  論文  参考訳（メタデータ） (2023-05-17T08:33:32Z)
• Pain level and pain-related behaviour classification using GRU-based sparsely-connected RNNs [61.080598804629375]
  慢性的な痛みを持つ人は、特定の身体の動きを無意識に適応させ、怪我や追加の痛みから身を守る。 この相関関係を分析するための専用のベンチマークデータベースが存在しないため、日々の行動に影響を及ぼす可能性のある特定の状況の1つを検討した。 我々は、複数のオートエンコーダを組み込んだゲートリカレントユニット(GRU)と疎結合なリカレントニューラルネットワーク(s-RNN)のアンサンブルを提案した。 本手法は,痛みレベルと痛み関連行動の両方の分類において,最先端のアプローチよりも優れていることを示すいくつかの実験を行った。
  論文  参考訳（メタデータ） (2022-12-20T12:56:28Z)
• Learning to Bound Counterfactual Inference in Structural Causal Models from Observational and Randomised Data [64.96984404868411]
  我々は、従来のEMベースのアルゴリズムを拡張するための全体的なデータの特徴付けを導出する。 新しいアルゴリズムは、そのような混合データソースからモデルパラメータの(不特定性)領域を近似することを学ぶ。 反実的な結果に間隔近似を与え、それが特定可能な場合の点に崩壊する。
  論文  参考訳（メタデータ） (2022-12-06T12:42:11Z)
• Federated Offline Reinforcement Learning [55.326673977320574]
  マルチサイトマルコフ決定プロセスモデルを提案する。 我々は,オフラインRLを対象とした最初のフェデレーション最適化アルゴリズムを設計する。 提案アルゴリズムでは,学習ポリシーの準最適性は,データが分散していないような速度に匹敵する,理論的保証を与える。
  論文  参考訳（メタデータ） (2022-06-11T18:03:26Z)
• MissDAG: Causal Discovery in the Presence of Missing Data with Continuous Additive Noise Models [78.72682320019737]
  不完全な観測データから因果発見を行うため,MissDAGと呼ばれる一般的な手法を開発した。 MissDAGは、期待-最大化の枠組みの下で観測の可視部分の期待される可能性を最大化する。 各種因果探索アルゴリズムを組み込んだMissDAGの柔軟性について,広範囲なシミュレーションと実データ実験により検証した。
  論文  参考訳（メタデータ） (2022-05-27T09:59:46Z)
• Clinical Temporal Relation Extraction with Probabilistic Soft Logic Regularization and Global Inference [50.029659413650194]
  既存のメソッドは、高価な機能エンジニアリングを必要とするか、イベント間のグローバルな依存関係をモデル化できない。 本稿では,確率論的ソフト論理規則化とグローバル推論を用いた新しい臨床時間緩和法を提案する。
  論文  参考訳（メタデータ） (2020-12-16T08:23:03Z)
• SumGNN: Multi-typed Drug Interaction Prediction via Efficient Knowledge Graph Summarization [64.56399911605286]
  本稿では,サブグラフ抽出モジュールによって実現された知識要約グラフニューラルネットワークSumGNNを提案する。 SumGNNは5.54%まで最高のベースラインを上回り、データ関係の低いタイプでは特にパフォーマンスの向上が顕著である。
  論文  参考訳（メタデータ） (2020-10-04T00:14:57Z)
• A Kernel to Exploit Informative Missingness in Multivariate Time Series from EHRs [15.582624049086]
  電子健康記録(EHR)の大部分は、経時的に収集された臨床測定値である。 これらの臨床測定のシーケンスは、自然に時系列として表され、複数の変数と大量の欠落データによって特徴づけられる。 本稿では,観測値からの情報と,欠落したパターンに隠された情報の両方を活用可能な新しいカーネルを提案する。
  論文  参考訳（メタデータ） (2020-02-27T09:54:44Z)

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。