論文の概要: AdaMedGraph: Adaboosting Graph Neural Networks for Personalized Medicine

• arxiv url: http://arxiv.org/abs/2311.14304v1
• Date: Fri, 24 Nov 2023 06:27:25 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-27 15:48:57.776471
• Title: AdaMedGraph: Adaboosting Graph Neural Networks for Personalized Medicine
• Title（参考訳）: AdaMedGraph: パーソナライズドメディカルのためのグラフニューラルネットワーク
• Authors: Jie Lian, Xufang Luo, Caihua Shan, Dongqi Han, Varut Vardhanabhuti, Dongsheng Li
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 31.424781716926848
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Precision medicine tailored to individual patients has gained significant attention in recent times. Machine learning techniques are now employed to process personalized data from various sources, including images, genetics, and assessments. These techniques have demonstrated good outcomes in many clinical prediction tasks. Notably, the approach of constructing graphs by linking similar patients and then applying graph neural networks (GNNs) stands out, because related information from analogous patients are aggregated and considered for prediction. However, selecting the appropriate edge feature to define patient similarity and construct the graph is challenging, given that each patient is depicted by high-dimensional features from diverse sources. Previous studies rely on human expertise to select the edge feature, which is neither scalable nor efficient in pinpointing crucial edge features for complex diseases. In this paper, we propose a novel algorithm named \ours, which can automatically select important features to construct multiple patient similarity graphs, and train GNNs based on these graphs as weak learners in adaptive boosting. \ours{} is evaluated on two real-world medical scenarios and shows superiors performance.
• Abstract（参考訳）: 近年,個別患者に適した精密医療が注目されている。 画像や遺伝学、評価など、さまざまなソースからパーソナライズされたデータを処理するために、機械学習技術が使用されている。 これらの技術は多くの臨床予測タスクにおいて良い結果を示した。 特に類似した患者をリンクしてグラフニューラルネットワーク(gnns)を適用することによりグラフを構築するアプローチは際立っている。 しかし,各患者が多種多様な情報源から高次元の特徴によって描写されることを考えると,患者の類似性を定義してグラフを構築するのに適したエッジ特徴を選択することは困難である。 これまでの研究では、エッジ機能の選択に人間の専門知識に依存しており、複雑な疾患の重要なエッジ機能を特定するのにスケーラブルでも効率的でもない。 本稿では,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的に選択し,これらのグラフに基づいてGNNを適応的ブースティングにおける弱い学習者として訓練する,‘ours’というアルゴリズムを提案する。 \ours{}は2つの現実世界の医療シナリオで評価され、優れたパフォーマンスを示す。

関連論文リスト

• 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)
• Graph AI in Medicine [9.733108180046555]
  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。
  論文  参考訳（メタデータ） (2023-10-20T19:01:01Z)
• Graph data modelling for outcome prediction in oropharyngeal cancer patients [38.37247384790338]
  グラフニューラルネットワーク(GNN)は、疾患の分類と予後予測のタスクにおいて、医療分野でますます人気が高まっている。 口腔咽頭癌(OPC)患者の2次予後予測のためのインダクティブ・ラーニング・セットアップで検討した患者ハイパーグラフ・ネットワーク(PHGN)を提案する。
  論文  参考訳（メタデータ） (2023-10-04T16:09:35Z)
• A Comparative Study of Population-Graph Construction Methods and Graph Neural Networks for Brain Age Regression [48.97251676778599]
  医用画像では、人口グラフが有望な結果を示しており、主に分類作業に向けられている。 人口グラフの抽出は非自明な作業であり、グラフニューラルネットワーク(GNN)の性能に大きな影響を及ぼす可能性がある 本研究では,有意義なグラフ構築の重要性を強調し,異なる集団グラフ構築手法による実験を行う。
  論文  参考訳（メタデータ） (2023-09-26T10:30:45Z)
• Multimodal brain age estimation using interpretable adaptive population-graph learning [58.99653132076496]
  下流タスクに最適化された人口グラフ構造を学習するフレームワークを提案する。 注意機構は、画像と非画像の特徴のセットに重みを割り当てる。 グラフ構築において最も重要な注意重みを可視化することにより、グラフの解釈可能性を高める。
  論文  参考訳（メタデータ） (2023-07-10T15:35:31Z)
• 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)
• Self-Supervised Graph Representation Learning for Neuronal Morphologies [75.38832711445421]
  ラベルのないデータセットから3次元神経形態の低次元表現を学習するためのデータ駆動型アプローチであるGraphDINOを提案する。 2つの異なる種と複数の脳領域において、この方法では、専門家による手動の特徴に基づく分類と同程度に形態学的細胞型クラスタリングが得られることを示す。 提案手法は,大規模データセットにおける新しい形態的特徴や細胞型の発見を可能にする可能性がある。
  論文  参考訳（メタデータ） (2021-12-23T12:17:47Z)
• 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)
• Heterogeneous Similarity Graph Neural Network on Electronic Health Records [74.66674469510251]
  非均質な類似度グラフニューラルネットワーク(HSGNN)を提案し、新しい異種GNNでEHRを分析します。 フレームワークは2つの部分から構成される: 1つは前処理方式で、もう1つはエンドツーエンドのGNNである。 GNNは全ての同質グラフを入力として取り、それら全てを1つのグラフに融合して予測する。
  論文  参考訳（メタデータ） (2021-01-17T23:14:29Z)
• 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)
• Latent-Graph Learning for Disease Prediction [44.26665239213658]
  我々は,GCNの下流における疾患分類の課題に向けて,一つの最適なグラフを学習することが可能であることを示す。 一般的に用いられているスペクトルGCNアプローチとは異なり、我々のGCNは空間的かつ誘導的であり、これまで見られなかった患者も推測できる。
  論文  参考訳（メタデータ） (2020-03-27T08:18:01Z)

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。