論文の概要: Fusing Modalities by Multiplexed Graph Neural Networks for Outcome
Prediction in Tuberculosis
- arxiv url: http://arxiv.org/abs/2210.14377v1
- Date: Tue, 25 Oct 2022 23:03:05 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-27 13:56:03.240054
- Title: Fusing Modalities by Multiplexed Graph Neural Networks for Outcome
Prediction in Tuberculosis
- Title（参考訳）: 結核の予後予測のための多重グラフニューラルネットワークを用いたfusing modality
- Authors: Niharika S. D'Souza, Hongzhi Wang, Andrea Giovannini, Antonio
Foncubierta-Rodriguez, Kristen L. Beck, Orest Boyko, and Tanveer
Syeda-Mahmood
- Abstract要約: 本稿では、多重グラフを用いた新しい融合フレームワークを提案し、そのようなグラフから学習するための新しいグラフニューラルネットワークを導出する。
提案手法は, 大規模結核(TB)データセット上でのマルチアウトカム予測において, 従来手法よりも優れていることを示す。
- 参考スコア（独自算出の注目度）: 3.131872070347212
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In a complex disease such as tuberculosis, the evidence for the disease and
its evolution may be present in multiple modalities such as clinical, genomic,
or imaging data. Effective patient-tailored outcome prediction and therapeutic
guidance will require fusing evidence from these modalities. Such multimodal
fusion is difficult since the evidence for the disease may not be uniform
across all modalities, not all modality features may be relevant, or not all
modalities may be present for all patients. All these nuances make simple
methods of early, late, or intermediate fusion of features inadequate for
outcome prediction. In this paper, we present a novel fusion framework using
multiplexed graphs and derive a new graph neural network for learning from such
graphs. Specifically, the framework allows modalities to be represented through
their targeted encodings, and models their relationship explicitly via
multiplexed graphs derived from salient features in a combined latent space. We
present results that show that our proposed method outperforms state-of-the-art
methods of fusing modalities for multi-outcome prediction on a large
Tuberculosis (TB) dataset.
- Abstract（参考訳）: 結核のような複雑な疾患では、この疾患とその進化の証拠は、臨床、ゲノム、画像データなどの複数のモードに存在する可能性がある。
効果的な患者調整結果予測と治療指導には,これらのモダリティから証拠を抽出する必要がある。
このようなマルチモーダル融合は、この疾患の証拠が全てのモダリティに均一であるとは限らないため、すべてのモダリティの特徴が関係しているとは限らないし、全ての患者にすべてのモダリティが存在するわけではない。
これらのニュアンスはすべて、結果予測に不十分な特徴の早期、後期、中間融合の単純な方法である。
本稿では,多重化グラフを用いた新しい融合フレームワークを提案し,そのグラフから学習するための新しいグラフニューラルネットワークを提案する。
具体的には、このフレームワークは、ターゲットとなるエンコーディングを通してモダリティを表現し、それらの関係を結合された潜在空間における有意な特徴から導かれた多重グラフを通じて明示的にモデル化する。
提案手法は, 大規模結核(TB)データセット上でのマルチアウトカム予測において, 従来手法よりも優れていることを示す。
関連論文リスト
- 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) - DrFuse: Learning Disentangled Representation for Clinical Multi-Modal
Fusion with Missing Modality and Modal Inconsistency [18.291267748113142]
そこで本研究では,DrFuseを効果的に多モード核融合を実現するために提案する。
モダリティに共通する特徴と各モダリティに特有の特徴を分離することで、モダリティの欠如に対処する。
実世界の大規模データセットMIMIC-IVとMIMIC-CXRを用いて提案手法を検証する。
論文 参考訳（メタデータ） (2024-03-10T12:41:34Z) - MaxCorrMGNN: A Multi-Graph Neural Network Framework for Generalized
Multimodal Fusion of Medical Data for Outcome Prediction [3.2889220522843625]
我々はMaxCorr MGNNと呼ばれる革新的な融合手法を開発し、患者内および患者間の非線形モダリティ相関をモデル化する。
次に,多層グラフにおけるタスクインフォームド推論のための汎用多層グラフニューラルネットワーク(MGNN)を初めて設計する。
我々は,本モデルを結核データセットにおける結果予測タスクとして評価し,最先端のニューラルネットワーク,グラフベース,従来の融合技術より一貫して優れていることを示す。
論文 参考訳（メタデータ） (2023-07-13T23:52:41Z) - Incomplete Multimodal Learning for Complex Brain Disorders Prediction [65.95783479249745]
本稿では,変換器と生成対向ネットワークを用いた不完全なマルチモーダルデータ統合手法を提案する。
アルツハイマー病神経画像イニシアチブコホートを用いたマルチモーダルイメージングによる認知変性と疾患予後の予測に本手法を適用した。
論文 参考訳（メタデータ） (2023-05-25T16:29:16Z) - Bayesian Networks for the robust and unbiased prediction of depression
and its symptoms utilizing speech and multimodal data [65.28160163774274]
我々は,抑うつ,抑うつ症状,および,胸腺で収集された音声,表情,認知ゲームデータから得られる特徴の関連性を把握するためにベイズ的枠組みを適用した。
論文 参考訳（メタデータ） (2022-11-09T14:48:13Z) - Multi-modal Graph Learning for Disease Prediction [35.156975779372836]
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。
論文 参考訳（メタデータ） (2022-03-11T12:33:20Z) - Multimodal Representations Learning and Adversarial Hypergraph Fusion
for Early Alzheimer's Disease Prediction [30.99183477161096]
本稿では,アルツハイマー病診断のための新しい表現学習と逆向きハイパーグラフ融合フレームワークを提案する。
本モデルは、他の関連モデルと比較して、アルツハイマー病の検出において優れた性能を発揮する。
論文 参考訳（メタデータ） (2021-07-21T08:08:05Z) - 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) - Deep Co-Attention Network for Multi-View Subspace Learning [73.3450258002607]
マルチビューサブスペース学習のための深層コアテンションネットワークを提案する。
共通情報と相補情報の両方を敵意で抽出することを目的としている。
特に、新しいクロス再構成損失を使用し、ラベル情報を利用して潜在表現の構築を誘導する。
論文 参考訳（メタデータ） (2021-02-15T18:46:44Z) - Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype
Prediction [55.94378672172967]
本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。
新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。
我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
論文 参考訳（メタデータ） (2020-09-02T02:50:30Z) - 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。