論文の概要: MedFACT: Modeling Medical Feature Correlations in Patient Health
Representation Learning via Feature Clustering
- arxiv url: http://arxiv.org/abs/2204.10011v1
- Date: Thu, 21 Apr 2022 10:27:24 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-22 12:33:34.956719
- Title: MedFACT: Modeling Medical Feature Correlations in Patient Health
Representation Learning via Feature Clustering
- Title（参考訳）: MedFACT:特徴クラスタリングによる患者の健康表現学習における医療特徴相関のモデル化
- Authors: Xinyu Ma, Xu Chu, Yasha Wang, Hailong Yu, Liantao Ma, Wen Tang and
Junfeng Zhao
- Abstract要約: 本稿では,一般的な患者の健康表現学習フレームワークであるMedFACTを提案する。
本研究は, 時間的特徴パターンとカーネル法, グループ間の相関関係の強いクラスタ特徴の類似性を測定することで相関関係を推定する。
グラフ畳み込みネットワークを用いてグループワイドな特徴相互作用を行い、表現学習を改善する。
- 参考スコア（独自算出の注目度）: 20.68759679109556
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In healthcare prediction tasks, it is essential to exploit the correlations
between medical features and learn better patient health representations.
Existing methods try to estimate feature correlations only from data, or
increase the quality of estimation by introducing task-specific medical
knowledge. However, such methods either are difficult to estimate the feature
correlations due to insufficient training samples, or cannot be generalized to
other tasks due to reliance on specific knowledge. There are medical research
revealing that not all the medical features are strongly correlated. Thus, to
address the issues, we expect to group up strongly correlated features and
learn feature correlations in a group-wise manner to reduce the learning
complexity without losing generality. In this paper, we propose a general
patient health representation learning framework MedFACT. We estimate
correlations via measuring similarity between temporal patterns of medical
features with kernel methods, and cluster features with strong correlations
into groups. The feature group is further formulated as a correlation graph,
and we employ graph convolutional networks to conduct group-wise feature
interactions for better representation learning. Experiments on two real-world
datasets demonstrate the superiority of MedFACT. The discovered medical
findings are also confirmed by literature, providing valuable medical insights
and explanations.
- Abstract（参考訳）: 医療予測タスクでは、医療的特徴の相関を活用し、患者の健康表現を改善することが不可欠である。
既存の手法では、データのみから特徴相関を推定したり、タスク固有の医療知識を導入して推定の質を高めようとする。
しかしながら、そのような手法は、訓練サンプル不足による特徴相関の推定が難しいか、特定の知識に依存するため他のタスクに一般化できないかのどちらかである。
すべての医学的特徴が強い相関関係にあるわけではないことを明らかにする医学研究がある。
そこで,これらの課題に対処するために,強い相関性を持つ特徴をグループ分けし,グループ的に特徴相関を学習し,一般性を損なうことなく学習の複雑さを低減することを期待する。
本稿では,一般的な患者の健康表現学習フレームワークであるMedFACTを提案する。
本研究は, 時間的特徴パターンとカーネル法, グループ間の相関関係の強いクラスタ特徴の類似性を測定することで相関関係を推定する。
特徴群はさらに相関グラフとして定式化され,グラフ畳み込みネットワークを用いて,より優れた表現学習のためのグループ間特徴対話を行う。
2つの実世界のデータセットの実験は、MedFACTの優位性を示している。
発見された医学的発見は文献によって確認され、貴重な医学的洞察と説明を提供する。
関連論文リスト
- Reasoning-Enhanced Healthcare Predictions with Knowledge Graph Community Retrieval [61.70489848327436]
KAREは、知識グラフ(KG)コミュニティレベルの検索と大規模言語モデル(LLM)推論を統合する新しいフレームワークである。
MIMIC-IIIでは最大10.8～15.0%、MIMIC-IVでは12.6～12.7%である。
論文 参考訳（メタデータ） (2024-10-06T18:46:28Z) - Benchmarking Dependence Measures to Prevent Shortcut Learning in Medical Imaging [7.917858344544847]
医療画像コホートは、取得装置、病院の現場、患者背景など多くの要因によって構築されることが多い。
深層学習モデルは因果関係のある特徴の代わりに急激な相関を学習する傾向があり、その一般化性は新鮮で見当たらないデータに制限される。
この問題はタスク関連変数と非タスク関連変数の中間表現間の依存度を最小化することで解決できる。
論文 参考訳（メタデータ） (2024-07-26T14:54:16Z) - CohortNet: Empowering Cohort Discovery for Interpretable Healthcare Analytics [23.284528154162977]
本稿では,コホート自己発見モデルであるCohortNetを提案する。
CohortNetは、個々の機能を個別に処理することで、きめ細かい患者の表現を学習する。
それぞれの特徴を異なる状態に分類し、コホート探索戦略を採用する。
論文 参考訳（メタデータ） (2024-06-20T06:12:23Z) - Evaluating the Fairness of the MIMIC-IV Dataset and a Baseline
Algorithm: Application to the ICU Length of Stay Prediction [65.268245109828]
本稿では、MIMIC-IVデータセットを用いて、滞在時間を予測するXGBoostバイナリ分類モデルにおける公平性とバイアスについて検討する。
この研究は、人口統計属性にわたるデータセットのクラス不均衡を明らかにし、データ前処理と特徴抽出を採用する。
この論文は、偏見を緩和するための公正な機械学習技術と、医療専門家とデータサイエンティストの協力的な努力の必要性について結論付けている。
論文 参考訳（メタデータ） (2023-12-31T16:01:48Z) - Knowledge Graph Representations to enhance Intensive Care Time-Series
Predictions [4.660203987415476]
提案手法は,ICUデータと医療知識を統合し,臨床意思決定モデルを改善する。
グラフ表現とバイタルサインと臨床報告を組み合わせることで、パフォーマンスを向上させる。
我々のモデルには、知識グラフノードが予測にどのように影響するかを理解するための解釈可能性コンポーネントが含まれています。
論文 参考訳（メタデータ） (2023-11-13T09:11:55Z) - Contrastive Graph Learning for Population-based fMRI Classification [41.53362208428764]
本稿では,FMRI分類のためのコントラッシブ・コネクティビティ・グラフ学習を提案する。
機能接続グラフの表現は、異種患者ペアに対して "repelled" される。
類似患者間の関連性を高める動的人口グラフを分類のために更新する。
論文 参考訳（メタデータ） (2022-03-26T10:56:40Z) - Predicting Patient Readmission Risk from Medical Text via Knowledge
Graph Enhanced Multiview Graph Convolution [67.72545656557858]
本稿では,電子健康記録の医用テキストを予測に用いる新しい手法を提案する。
外部知識グラフによって強化された多視点グラフを有する患者の退院サマリーを表現している。
実験により,本手法の有効性が証明され,最先端の性能が得られた。
論文 参考訳（メタデータ） (2021-12-19T01:45:57Z) - 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) - Semi-supervised Medical Image Classification with Relation-driven
Self-ensembling Model [71.80319052891817]
医用画像分類のための関係駆動型半教師付きフレームワークを提案する。
これは、摂動下で与えられた入力の予測一貫性を促進することでラベルのないデータを利用する。
本手法は,シングルラベルおよびマルチラベル画像分類のシナリオにおいて,最先端の半教師付き学習手法よりも優れる。
論文 参考訳（メタデータ） (2020-05-15T06:57:54Z) - 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。