論文の概要: Graph AI in Medicine

• arxiv url: http://arxiv.org/abs/2310.13767v1
• Date: Fri, 20 Oct 2023 19:01:01 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-25 05:27:01.172669
• Title: Graph AI in Medicine
• Title（参考訳）: 医学におけるグラフAI
• Authors: Ruth Johnson, Michelle M. Li, Ayush Noori, Owen Queen, Marinka Zitnik
• Abstract要約: グラフニューラルネットワーク(GNN)は、関係によって相互接続されたノードとしてモダリティを視聴することで、データを一様に処理する。 GNNは、グラフ関係で定義された局所的なニューラル変換を通じて情報をキャプチャする。 知識グラフは、モデル駆動の洞察と医療知識を整合させることで、解釈可能性を高めることができる。
• 参考スコア（独自算出の注目度）: 9.733108180046555
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In clinical artificial intelligence (AI), graph representation learning, mainly through graph neural networks (GNNs), stands out for its capability to capture intricate relationships within structured clinical datasets. With diverse data -- from patient records to imaging -- GNNs process data holistically by viewing modalities as nodes interconnected by their relationships. Graph AI facilitates model transfer across clinical tasks, enabling models to generalize across patient populations without additional parameters or minimal re-training. However, the importance of human-centered design and model interpretability in clinical decision-making cannot be overstated. Since graph AI models capture information through localized neural transformations defined on graph relationships, they offer both an opportunity and a challenge in elucidating model rationale. Knowledge graphs can enhance interpretability by aligning model-driven insights with medical knowledge. Emerging graph models integrate diverse data modalities through pre-training, facilitate interactive feedback loops, and foster human-AI collaboration, paving the way to clinically meaningful predictions.
• Abstract（参考訳）: 臨床人工知能(AI)では、グラフ表現学習は、主にグラフニューラルネットワーク(GNN)を通して、構造化された臨床データセット内の複雑な関係を捉える能力で際立っている。 患者記録から画像まで、さまざまなデータによって、GNNは、関係によって相互に接続されたノードとして、モダリティを視聴することで、データを一様に処理する。 graph aiは、臨床タスク間のモデル転送を促進し、追加パラメータや最小限の再トレーニングなしで、患者集団をまたがるモデルを一般化する。 しかし, 臨床意思決定における人間中心設計とモデル解釈の重要性は誇張できない。 グラフAIモデルは、グラフ関係で定義された局所的なニューラルネットワーク変換を通じて情報をキャプチャするので、モデル論理を解明する機会と課題の両方を提供する。 知識グラフは、モデル駆動の洞察と医療知識を一致させることで、解釈可能性を高めることができる。 新興グラフモデルは、事前トレーニングを通じて多様なデータモダリティを統合し、インタラクティブなフィードバックループを促進し、ヒトとAIのコラボレーションを促進する。

関連論文リスト

• Evaluating the Predictive Features of Person-Centric Knowledge Graph Embeddings: Unfolding Ablation Studies [0.757843972001219]
  そこで本研究では,MIMIC-IIIデータセットから得られた構造化情報と非構造化情報を用いて学習したGNNモデルの結果を体系的に検証する手法を提案する。 本研究は,PKGにおける読み出し予測の課題に対する予測的特徴の同定におけるこのアプローチの堅牢性を示す。
  論文  参考訳（メタデータ） (2024-08-27T09:48:25Z)
• Investigation of Customized Medical Decision Algorithms Utilizing Graph Neural Networks [15.04251924479172]
  本稿では,グラフニューラルネットワーク(GNN)を用いた個人化医療意思決定アルゴリズムを提案する。 提案アルゴリズムは, 疾患予測精度, 治療効果評価, 患者リスク階層化の点で, 高い性能を示した。
  論文  参考訳（メタデータ） (2024-05-23T04:30:41Z)
• AdaMedGraph: Adaboosting Graph Neural Networks for Personalized Medicine [31.424781716926848]
  我々は,複数の患者類似性グラフを構築するために重要な特徴を自動選択するアルゴリズム,我が社の提案するアルゴリズムを提案する。 実世界の医療シナリオを2つ評価し,優れた成績を示した。
  論文  参考訳（メタデータ） (2023-11-24T06:27:25Z)
• Radiology Report Generation Using Transformers Conditioned with Non-imaging Data [55.17268696112258]
  本稿では,胸部X線画像と関連する患者の人口統計情報を統合したマルチモーダルトランスフォーマーネットワークを提案する。 提案ネットワークは、畳み込みニューラルネットワークを用いて、CXRから視覚的特徴を抽出し、その視覚的特徴と患者の人口統計情報のセマンティックテキスト埋め込みを組み合わせたトランスフォーマーベースのエンコーダデコーダネットワークである。
  論文  参考訳（メタデータ） (2023-11-18T14:52:26Z)
• Contrastive Brain Network Learning via Hierarchical Signed Graph Pooling Model [64.29487107585665]
  脳機能ネットワーク上のグラフ表現学習技術は、臨床表現型および神経変性疾患のための新しいバイオマーカーの発見を容易にする。 本稿では,脳機能ネットワークからグラフレベル表現を抽出する階層型グラフ表現学習モデルを提案する。 また、モデルの性能をさらに向上させるために、機能的脳ネットワークデータをコントラスト学習のために拡張する新たな戦略を提案する。
  論文  参考訳（メタデータ） (2022-07-14T20:03:52Z)
• 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)
• EINNs: Epidemiologically-Informed Neural Networks [75.34199997857341]
  本稿では,疫病予測のための新しい物理インフォームドニューラルネットワークEINNを紹介する。 メカニスティックモデルによって提供される理論的柔軟性と、AIモデルによって提供されるデータ駆動表現性の両方を活用する方法について検討する。
  論文  参考訳（メタデータ） (2022-02-21T18:59:03Z)
• Brain dynamics via Cumulative Auto-Regressive Self-Attention [0.0]
  深部グラフニューラルネットワーク(GNN)よりもかなり浅いモデルを提案する。 本モデルは,各時系列の自己回帰構造を学習し,有向接続グラフを推定する。 統合失調症患者とコントロールを分類した機能的ニューロイメージングデータセットについて報告する。
  論文  参考訳（メタデータ） (2021-11-01T21:50:35Z)
• 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)
• Graph representation forecasting of patient's medical conditions: towards a digital twin [0.0]
  複数組織におけるACE2過剰発現が心血管機能に及ぼす影響について検討した。 本稿では,分子データを用いた大規模な構成可能な臨床モデルの統合という概念の実証を行う。
  論文  参考訳（メタデータ） (2020-09-17T13:49:48Z)
• Learning Dynamic and Personalized Comorbidity Networks from Event Data using Deep Diffusion Processes [102.02672176520382]
  コンコルビンド病は、個人によって異なる複雑な時間的パターンを通じて発生し進行する。 電子的な健康記録では、患者が持つ異なる疾患を観察できるが、それぞれの共死状態の時間的関係を推測できるだけである。 我々は「ダイナミック・コオービディティ・ネットワーク」をモデル化するための深層拡散プロセスを開発する。
  論文  参考訳（メタデータ） (2020-01-08T15:47:08Z)

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。