Fugu-MT 論文翻訳(概要): Multi-modal Graph Learning for Disease Prediction

論文の概要: Multi-modal Graph Learning for Disease Prediction

arxiv url: http://arxiv.org/abs/2203.05880v1
Date: Fri, 11 Mar 2022 12:33:20 GMT
ステータス: 処理完了
システム内更新日: 2022-03-14 16:25:10.999277
Title: Multi-modal Graph Learning for Disease Prediction
Title（参考訳）: 疾患予測のためのマルチモーダルグラフ学習
Authors: Shuai Zheng, Zhenfeng Zhu, Zhizhe Liu, Zhenyu Guo, Yang Liu, Yuchen Yang, and Yao Zhao
Abstract要約: マルチモーダルな疾患予測のためのエンドツーエンドマルチモーダルグラフ学習フレームワーク(MMGL)を提案する。手動でグラフを定義する代わりに、潜在グラフ構造は適応グラフ学習の効果的な方法によって取得される。 2つの疾患予測タスクに関する広範な実験群は、提案したMMGLがより良好な性能を発揮することを示した。
参考スコア（独自算出の注目度）: 35.156975779372836
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Benefiting from the powerful expressive capability of graphs, graph-based approaches have been popularly applied to handle multi-modal medical data and achieved impressive performance in various biomedical applications. For disease prediction tasks, most existing graph-based methods tend to define the graph manually based on specified modality (e.g., demographic information), and then integrated other modalities to obtain the patient representation by Graph Representation Learning (GRL). However, constructing an appropriate graph in advance is not a simple matter for these methods. Meanwhile, the complex correlation between modalities is ignored. These factors inevitably yield the inadequacy of providing sufficient information about the patient's condition for a reliable diagnosis. To this end, we propose an end-to-end Multi-modal Graph Learning framework (MMGL) for disease prediction with multi-modality. To effectively exploit the rich information across multi-modality associated with the disease, modality-aware representation learning is proposed to aggregate the features of each modality by leveraging the correlation and complementarity between the modalities. Furthermore, instead of defining the graph manually, the latent graph structure is captured through an effective way of adaptive graph learning. It could be jointly optimized with the prediction model, thus revealing the intrinsic connections among samples. Our model is also applicable to the scenario of inductive learning for those unseen data. An extensive group of experiments on two disease prediction tasks demonstrates that the proposed MMGL achieves more favorable performance. The code of MMGL is available at \url{https://github.com/SsGood/MMGL}.
Abstract（参考訳）: グラフの強力な表現能力から得られるグラフベースのアプローチは、マルチモーダルな医療データを扱うために広く応用され、様々なバイオメディカル応用において印象的な性能を達成した。疾患予測タスクでは、既存のグラフベースの手法では、特定のモダリティ(人口統計情報など)に基づいて手動でグラフを定義し、他のモダリティを統合してグラフ表現学習(grl)により患者表現を得る傾向がある。しかし、事前に適切なグラフを構築することはこれらの方法にとって単純な問題ではない。一方、モダリティ間の複雑な相関は無視される。これらの要因は必然的に、信頼できる診断のために患者の状態に関する十分な情報を提供することができない。この目的のために,マルチモーダルな疾患予測のためのエンドツーエンドマルチモーダルグラフ学習フレームワーク (MMGL) を提案する。病気に関連する多様性にまたがる豊かな情報を効果的に活用するために,モダリティ間の相関と相補性を利用して各モダリティの特徴を集約するモダリティ認識型表現学習を提案する。さらに、グラフを手動で定義する代わりに、潜在グラフ構造を適応グラフ学習の効果的な方法によってキャプチャする。予測モデルと共同で最適化することで、サンプル間の本質的な接続を明らかにすることができる。本モデルは,これらのデータに対する帰納的学習のシナリオにも適用できる。 2つの疾患予測タスクに関する広範な実験群は、提案したMMGLがより良好な性能を発揮することを示した。 MMGLのコードは \url{https://github.com/SsGood/MMGL} で公開されている。

関連論文リスト

A Survey of Deep Graph Learning under Distribution Shifts: from Graph Out-of-Distribution Generalization to Adaptation [59.14165404728197]
我々は,分散シフト下での深層グラフ学習について,最新かつ先見的なレビューを行う。具体的には,グラフ OOD 一般化,トレーニング時グラフ OOD 適応,テスト時グラフ OOD 適応の3つのシナリオについて述べる。文献の理解を深めるために,提案した分類に基づく既存モデルを体系的に分類した。
論文参考訳（メタデータ） (2024-10-25T02:39:56Z)
GTP-4o: Modality-prompted Heterogeneous Graph Learning for Omni-modal Biomedical Representation [68.63955715643974]
Omnimodal Learning(GTP-4o)のためのモダリティプロンプト不均質グラフ我々は、Omnimodal Learning(GTP-4o)のための革新的モダリティプロンプト不均質グラフを提案する。
論文参考訳（メタデータ） (2024-07-08T01:06:13Z)
MM-GTUNets: Unified Multi-Modal Graph Deep Learning for Brain Disorders Prediction [8.592259720470697]
脳障害予測のためのマルチモーダルグラフ深層学習フレームワークMM-GTUNetsを提案する。本稿では,報酬システムを用いて集団グラフを適応的に構築するMRRL(Modality Reward Representation Learning)を提案する。また,ACMGL(Adaptive Cross-Modal Graph Learning)を提案する。
論文参考訳（メタデータ） (2024-06-20T16:14:43Z)
Multi-modal Multi-kernel Graph Learning for Autism Prediction and Biomarker Discovery [29.790200009136825]
本稿では,マルチモーダル統合の過程におけるモダリティ間の負の影響を相殺し,グラフから異種情報を抽出する手法を提案する。本手法は,Autism Brain Imaging Data Exchange (ABIDE) データセットを用いて評価し,最先端の手法よりも優れている。また,自閉症に関連する差別的脳領域を本モデルにより同定し,自閉症の病態研究の指針を提供する。
論文参考訳（メタデータ） (2023-03-03T07:09:17Z)
Graph Contrastive Learning for Multi-omics Data [0.0]
我々はMOGCL(Multi-Omics Graph Contrastive Learner)という学習フレームワークを提案する。比較手法による事前学習と教師付き手法による微調整がマルチオミクスデータ分類の効率的な方法であることを示す。
論文参考訳（メタデータ） (2023-01-03T10:03:08Z)
Graph-in-Graph (GiG): Learning interpretable latent graphs in non-Euclidean domain for biological and healthcare applications [52.65389473899139]
グラフは、医療領域において、非ユークリッドな非ユークリッドデータをユビキタスに表現し、分析するための強力なツールである。近年の研究では、入力データサンプル間の関係を考慮すると、下流タスクに正の正の正則化効果があることが示されている。タンパク質分類と脳イメージングのためのニューラルネットワークアーキテクチャであるGraph-in-Graph(GiG)を提案する。
論文参考訳（メタデータ） (2022-04-01T10:01:37Z)
Graph Self-supervised Learning with Accurate Discrepancy Learning [64.69095775258164]
離散性に基づく自己監督型LeArning(D-SLA)と呼ばれる原図と摂動グラフの正確な相違を学習することを目的としたフレームワークを提案する。本稿では,分子特性予測,タンパク質機能予測,リンク予測タスクなど,グラフ関連下流タスクにおける本手法の有効性を検証する。
論文参考訳（メタデータ） (2022-02-07T08:04:59Z)
Multi-modal Graph Learning for Disease Prediction [35.4310911850558]
病気予測のためのエンドツーエンドのマルチモーダルグラフ学習フレームワーク(MMGL)を提案する。隣接行列を既存の手法として手動で定義する代わりに、潜在グラフ構造を適応グラフ学習の新しい方法によって捉えることができる。
論文参考訳（メタデータ） (2021-07-01T03:59:22Z)
GKD: Semi-supervised Graph Knowledge Distillation for Graph-Independent Inference [41.348451615460796]
本稿では,知識蒸留に基づく新しい半教師付き手法GKDを提案する。自閉症スペクトラム障害の診断のための2つの公開データセットとアルツハイマー病に関する実験を行う。これらの実験によると、GKDは従来のグラフベースのディープラーニング手法よりも精度、AUC、マクロF1で優れている。
論文参考訳（メタデータ） (2021-04-08T08:23:37Z)
Multilayer Clustered Graph Learning [66.94201299553336]
我々は、観測された層を代表グラフに適切に集約するために、データ忠実度用語として対照的な損失を用いる。実験により,本手法がクラスタクラスタw.r.tに繋がることが示された。クラスタリング問題を解くためのクラスタリングアルゴリズムを学習する。
論文参考訳（メタデータ） (2020-10-29T09:58:02Z)
Dynamic Graph Correlation Learning for Disease Diagnosis with Incomplete Labels [66.57101219176275]
胸部X線画像上の疾患診断は,多ラベル分類の課題である。本稿では,異なる疾患間の相互依存を調査する新たな視点を提示する病的診断グラフ畳み込みネットワーク(DD-GCN)を提案する。本手法は,相関学習のための動的隣接行列を用いた特徴写像上のグラフを初めて構築する手法である。
論文参考訳（メタデータ） (2020-02-26T17:10:48Z)

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。