論文の概要: ALGNet: Attention Light Graph Memory Network for Medical Recommendation
System
- arxiv url: http://arxiv.org/abs/2312.08377v1
- Date: Sat, 9 Dec 2023 00:46:37 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-17 12:12:18.063885
- Title: ALGNet: Attention Light Graph Memory Network for Medical Recommendation
System
- Title(参考訳): ALGNet:医療レコメンデーションシステムのための注意光グラフメモリネットワーク
- Authors: Minh-Van Nguyen, Duy-Thinh Nguyen, Quoc-Huy Trinh, Bac-Hoai Le
- Abstract要約: ALGNetは、医薬品の推奨を高めるための新しいモデルである。
提案手法をMIMIC-IIIデータセット上で評価し,推奨精度とDDI回避率においていくつかのベースラインを上回っていることを示す。
この結果から, ALGNetは計算量が少なく, 解釈性も向上し, 優れた性能が得られることが示された。
- 参考スコア(独自算出の注目度): 6.148777307966648
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Medication recommendation is a vital task for improving patient care and
reducing adverse events. However, existing methods often fail to capture the
complex and dynamic relationships among patient medical records, drug efficacy
and safety, and drug-drug interactions (DDI). In this paper, we propose ALGNet,
a novel model that leverages light graph convolutional networks (LGCN) and
augmentation memory networks (AMN) to enhance medication recommendation. LGCN
can efficiently encode the patient records and the DDI graph into
low-dimensional embeddings, while AMN can augment the patient representation
with external knowledge from a memory module. We evaluate our model on the
MIMIC-III dataset and show that it outperforms several baselines in terms of
recommendation accuracy and DDI avoidance. We also conduct an ablation study to
analyze the effects of different components of our model. Our results
demonstrate that ALGNet can achieve superior performance with less computation
and more interpretability. The implementation of this paper can be found at:
https://github.com/huyquoctrinh/ALGNet.
- Abstract(参考訳): 治療勧告は、患者のケアを改善し、有害事象を減らすための重要な課題である。
しかし、既存の方法では、患者の医療記録、薬物の有効性と安全性、薬物と薬物の相互作用(DDI)の複雑な関係を捉えることができないことが多い。
本稿では,軽グラフ畳み込みネットワーク (LGCN) と拡張メモリネットワーク (AMN) を活用する新しいモデルであるALGNetを提案する。
LGCNは患者の記録とDDIグラフを低次元の埋め込みに効率的にエンコードすることができ、AMNはメモリモジュールからの外部知識で患者の表現を増強することができる。
mimic-iiiデータセット上でモデルを評価し,レコメンデーション精度とddi回避の観点から,複数のベースラインを上回っていることを示す。
また,モデルの異なる成分の影響を分析するためのアブレーション研究も行った。
この結果から, ALGNetは計算量が少なく, 解釈性も向上し, 優れた性能が得られることが示された。
本論文の実装は、https://github.com/huyquoctrinh/algnetで確認することができる。
関連論文リスト
- PREM: A Simple Yet Effective Approach for Node-Level Graph Anomaly
Detection [65.24854366973794]
ノードレベルのグラフ異常検出(GAD)は、医学、ソーシャルネットワーク、eコマースなどの分野におけるグラフ構造化データから異常ノードを特定する上で重要な役割を果たす。
本稿では,GADの効率を向上させるために,PREM (preprocessing and Matching) という簡単な手法を提案する。
我々のアプローチは、強力な異常検出機能を維持しながら、GADを合理化し、時間とメモリ消費を削減します。
論文 参考訳(メタデータ) (2023-10-18T02:59:57Z) - Self-Supervised Neuron Segmentation with Multi-Agent Reinforcement
Learning [53.00683059396803]
マスク画像モデル(MIM)は,マスク画像から元の情報を復元する簡便さと有効性から広く利用されている。
本稿では、強化学習(RL)を利用して最適な画像マスキング比とマスキング戦略を自動検索する決定に基づくMIMを提案する。
本手法は,ニューロン分節の課題において,代替自己監督法に対して有意な優位性を有する。
論文 参考訳(メタデータ) (2023-10-06T10:40:46Z) - ACDNet: Attention-guided Collaborative Decision Network for Effective
Medication Recommendation [0.6827423171182154]
本稿では,医薬品推奨のための注意誘導協調決定ネットワーク(ACDNet)を提案する。
ACDNetは、注意機構とトランスフォーマーを使用して、患者の健康状態と薬物記録を効果的にキャプチャする。
MIMIC-IIIとMIMIC-IVの2つの広範囲な医学データセットによる実験結果は、ACDNetがJaccard、PR-AUC、F1スコアで最先端モデルを上回っていることを明確に示している。
論文 参考訳(メタデータ) (2023-07-06T23:58:41Z) - SSM-DTA: Breaking the Barriers of Data Scarcity in Drug-Target Affinity
Prediction [127.43571146741984]
薬物標的親和性(DTA)は、早期の薬物発見において極めて重要である。
湿式実験は依然として最も信頼性の高い方法であるが、時間と資源が集中している。
既存の手法は主に、データ不足の問題に適切に対処することなく、利用可能なDTAデータに基づく技術開発に重点を置いている。
SSM-DTAフレームワークについて述べる。
論文 参考訳(メタデータ) (2022-06-20T14:53:25Z) - Learning Multitask Gaussian Bayesian Networks [11.745963019193955]
大うつ病(Major depressive disorder、MDD)は、脳の機能的接続変化の研究を必要とする。
fMRIスキャンで収集されたデータの量は、個々の分析に十分な情報を与えるにはあまりにも限られている。
本稿では,MDD患者に対する個別の病原性変化を識別できるマルチタスク・ガウス・ベイズネットワークフレームワークを提案する。
論文 参考訳(メタデータ) (2022-05-11T08:38:00Z) - DrugOOD: Out-of-Distribution (OOD) Dataset Curator and Benchmark for
AI-aided Drug Discovery -- A Focus on Affinity Prediction Problems with Noise
Annotations [90.27736364704108]
我々は、AI支援薬物発見のための体系的なOODデータセットキュレーターおよびベンチマークであるTarmOODを提案する。
DrugOODには、ベンチマークプロセスを完全に自動化するオープンソースのPythonパッケージが付属している。
我々は、薬物標的結合親和性予測という、AIDDにおける最も重要な問題の1つに焦点を当てる。
論文 参考訳(メタデータ) (2022-01-24T12:32:48Z) - Predicting Patient Outcomes with Graph Representation Learning [0.47248250311484113]
類似した患者をグラフでつなげることで,診断を時間的情報として活用する。
LSTM-GNは、eICUデータベース上の滞在予測タスクの長さでLSTMのみのベースラインを上回っていることを実証します。
論文 参考訳(メタデータ) (2021-01-11T15:04:07Z) - SumGNN: Multi-typed Drug Interaction Prediction via Efficient Knowledge
Graph Summarization [64.56399911605286]
本稿では,サブグラフ抽出モジュールによって実現された知識要約グラフニューラルネットワークSumGNNを提案する。
SumGNNは5.54%まで最高のベースラインを上回り、データ関係の低いタイプでは特にパフォーマンスの向上が顕著である。
論文 参考訳(メタデータ) (2020-10-04T00:14:57Z) - Ensemble Transfer Learning for the Prediction of Anti-Cancer Drug
Response [49.86828302591469]
本稿では,抗がん剤感受性の予測にトランスファーラーニングを適用した。
我々は、ソースデータセット上で予測モデルをトレーニングし、ターゲットデータセット上でそれを洗練する古典的な転送学習フレームワークを適用した。
アンサンブル転送学習パイプラインは、LightGBMと異なるアーキテクチャを持つ2つのディープニューラルネットワーク(DNN)モデルを使用して実装されている。
論文 参考訳(メタデータ) (2020-05-13T20:29:48Z) - ODVICE: An Ontology-Driven Visual Analytic Tool for Interactive Cohort
Extraction [2.0131681387862153]
一般的な疾患では、EHRから抽出されたコホートは非常に限られた数の記録を含んでいる。
本稿では,モンテカルログラフスパンニングアルゴリズムを用いたデータ拡張フレームワークODVICEを提案する。
以上の結果から, ODVICE拡張コーホートの予測性能は, 非拡張データセットよりも曲線下面積(AUC)が30%向上していることが示唆された。
論文 参考訳(メタデータ) (2020-05-13T17:15:51Z)
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。