論文の概要: Representing Outcome-driven Higher-order Dependencies in Graphs of
Disease Trajectories
- arxiv url: http://arxiv.org/abs/2312.15353v1
- Date: Sat, 23 Dec 2023 21:33:40 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-27 18:26:52.965277
- Title: Representing Outcome-driven Higher-order Dependencies in Graphs of
Disease Trajectories
- Title（参考訳）: 疾患軌跡のグラフにおけるアウトカム駆動高次依存性の表現
- Authors: Steven J. Krieg, Nitesh V. Chawla, Keith Feldman
- Abstract要約: 本稿では,与えられた結果に対するリスク要因の組み合わせを同定し,これらの高次関係をグラフに正確にエンコードする手法を提案する。
913,475型2型糖尿病 (T2D) 患者の歴史的データを用いて, 他のアプローチと比較して, 提案したネットワークは, 様々な結果に対するT2Dの進行について, かなり多くの情報をエンコードしていることがわかった。
- 参考スコア（独自算出の注目度）: 22.83957446240816
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: The widespread application of machine learning techniques to biomedical data
has produced many new insights into disease progression and improving clinical
care. Inspired by the flexibility and interpretability of graphs (networks), as
well as the potency of sequence models like transformers and higher-order
networks (HONs), we propose a method that identifies combinations of risk
factors for a given outcome and accurately encodes these higher-order
relationships in a graph. Using historical data from 913,475 type 2 diabetes
(T2D) patients, we found that, compared to other approaches, the proposed
networks encode significantly more information about the progression of T2D
toward a variety of outcomes. We additionally demonstrate how structural
information from the proposed graph can be used to augment the performance of
transformer-based models on predictive tasks, especially when the data are
noisy. By increasing the order, or memory, of the graph, we show how the
proposed method illuminates key risk factors while successfully ignoring noisy
elements, which facilitates analysis that is simultaneously accurate and
interpretable.
- Abstract（参考訳）: バイオメディカルデータへの機械学習技術の広範な応用は、疾患の進行と臨床医療の改善に多くの新たな洞察をもたらした。
グラフ(ネットワーク)の柔軟性と解釈性、トランスフォーマーや高次ネットワーク(hons)といったシーケンスモデルの強力さに着想を得て、与えられた結果に対するリスク要因の組み合わせを識別し、これらの高次関係をグラフに正確にエンコードする手法を提案する。
913,475型糖尿病(t2d)患者の過去のデータから,提案するネットワークは,t2dのさまざまな結果への進展について,さらに多くの情報をエンコードしていることがわかった。
さらに,提案するグラフの構造情報が,特にノイズの場合に,予測タスクにおけるトランスフォーマーモデルの性能向上にどのように役立つかを実証する。
グラフの順序やメモリを増加させることで,提案手法が重要なリスク要因を照らすと同時に,ノイズ要素を無視し,精度と解釈の容易な解析を行う方法を示す。
関連論文リスト
- Through the Dual-Prism: A Spectral Perspective on Graph Data
Augmentation for Graph Classification [71.36575018271405]
本稿では,DP-NoiseとDP-Maskを組み合わせたDual-Prism(DP)拡張手法を提案する。
低周波固有値の変動を保ちながら、拡張グラフを生成する際に、臨界特性を大規模に保存できることが判明した。
論文 参考訳（メタデータ） (2024-01-18T12:58:53Z) - Graph Relation Distillation for Efficient Biomedical Instance
Segmentation [80.51124447333493]
本稿では,効率的なバイオメディカル・インスタンス・セグメンテーションのためのグラフ関係蒸留手法を提案する。
画像内レベルと画像間レベルの両方に展開する2つのグラフ蒸留方式を導入する。
多くのバイオメディカルデータセットの実験結果から,本手法の有効性が検証された。
論文 参考訳（メタデータ） (2024-01-12T04:41:23Z) - 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) - Dynamic Graph Enhanced Contrastive Learning for Chest X-ray Report
Generation [92.73584302508907]
コントラスト学習を用いた医療レポート作成を支援するために,動的構造とノードを持つ知識グラフを提案する。
詳しくは、グラフの基本構造は一般知識から事前構築される。
各イメージ機能は、レポート生成のためにデコーダモジュールに入力する前に、独自の更新グラフに統合される。
論文 参考訳（メタデータ） (2023-03-18T03:53:43Z) - Graph Neural Networks with Trainable Adjacency Matrices for Fault
Diagnosis on Multivariate Sensor Data [69.25738064847175]
各センサの信号の挙動を別々に検討し,相互の相関関係と隠れ関係を考慮する必要がある。
グラフノードは、異なるセンサーからのデータとして表現することができ、エッジは、これらのデータの影響を互いに表示することができる。
グラフニューラルネットワークのトレーニング中にグラフを構築する方法が提案されている。これにより、センサー間の依存関係が事前に分かっていないデータ上でモデルをトレーニングすることができる。
論文 参考訳（メタデータ） (2022-10-20T11:03:21Z) - Augmentations in Hypergraph Contrastive Learning: Fabricated and
Generative [126.0985540285981]
我々は、ハイパーグラフニューラルネットワークの一般化性を改善するために、画像/グラフからの対照的な学習アプローチ(ハイパーGCLと呼ぶ)を適用する。
我々は、高次関係を符号化したハイパーエッジを増大させる2つのスキームを作成し、グラフ構造化データから3つの拡張戦略を採用する。
拡張ビューを生成するためのハイパーグラフ生成モデルを提案し、次に、ハイパーグラフ拡張とモデルパラメータを協調的に学習するエンド・ツー・エンドの微分可能なパイプラインを提案する。
論文 参考訳（メタデータ） (2022-10-07T20:12:20Z) - Graph Structure Based Data Augmentation Method [0.0]
医用波形データに固有のグラフ構造を利用するグラフベースのデータ拡張手法を設計する。
グラフの増大による性能向上は、敵攻撃に対するテストによる堅牢性の結果であることを示す。
論文 参考訳（メタデータ） (2022-05-29T10:16:29Z) - 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) - 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) - AMA-GCN: Adaptive Multi-layer Aggregation Graph Convolutional Network
for Disease Prediction [20.19380805655623]
空間分布に応じて適切な表現型尺度を自動的に選択するエンコーダを提案する。
また,多層アグリゲーション機構を用いた新しいグラフ畳み込みネットワークアーキテクチャを提案する。
論文 参考訳（メタデータ） (2021-06-16T12:13:23Z) - 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)
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。