論文の概要: A graph neural network-based model with Out-of-Distribution Robustness for enhancing Antiretroviral Therapy Outcome Prediction for HIV-1

• arxiv url: http://arxiv.org/abs/2312.17506v2
• Date: Fri, 21 Feb 2025 16:42:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-24 19:41:52.794895
• Title: A graph neural network-based model with Out-of-Distribution Robustness for enhancing Antiretroviral Therapy Outcome Prediction for HIV-1
• Title（参考訳）: HIV-1に対する抗レトロウイルス治療成績予測のためのアウトオブディストリビューションロバスト性グラフニューラルネットワークモデル
• Authors: Giulia Di Teodoro, Federico Siciliano, Valerio Guarrasi, Anne-Mieke Vandamme, Valeria Ghisetti, Anders Sönnerborg, Maurizio Zazzi, Fabrizio Silvestri, Laura Palagi,
• Abstract要約: HIV-1に対する抗レトロウイルス療法(ART)の結果を予測することは、非常に難しい臨床的課題である。 完全連結(FC)ニューラルネットとグラフニューラルネット(GNN)の機能を組み合わせた新しいジョイントフュージョンモデルを提案する。 グラフとして構造化されたこの知識ベースを利用することで、GNNコンポーネントはモデルが不均衡なデータ分布に適応できるようにする。
• 参考スコア（独自算出の注目度）: 4.970653449274061
• License:
• Abstract: Predicting the outcome of antiretroviral therapies (ART) for HIV-1 is a pressing clinical challenge, especially when the ART includes drugs with limited effectiveness data. This scarcity of data can arise either due to the introduction of a new drug to the market or due to limited use in clinical settings, resulting in clinical dataset with highly unbalanced therapy representation. To tackle this issue, we introduce a novel joint fusion model, which combines features from a Fully Connected (FC) Neural Network and a Graph Neural Network (GNN) in a multi-modality fashion. Our model uses both tabular data about genetic sequences and a knowledge base derived from Stanford drug-resistance mutation tables, which serve as benchmark references for deducing in-vivo treatment efficacy based on the viral genetic sequence. By leveraging this knowledge base structured as a graph, the GNN component enables our model to adapt to imbalanced data distributions and account for Out-of-Distribution (OoD) drugs. We evaluated these models' robustness against OoD drugs in the test set. Our comprehensive analysis demonstrates that the proposed model consistently outperforms the FC model. These results underscore the advantage of integrating Stanford scores in the model, thereby enhancing its generalizability and robustness, but also extending its utility in contributing in more informed clinical decisions with limited data availability. The source code is available at https://github.com/federicosiciliano/graph-ood-hiv
• Abstract（参考訳）: HIV-1に対する抗レトロウイルス療法(ART)の結果を予測することは、特にARTが有効性に制限のある薬物を含む場合、非常に難しい臨床課題である。 このデータの不足は、新しい薬物が市場に投入されたことや臨床環境での使用が制限されたことによるものか、あるいは、高度に不均衡な治療表現を持つ臨床データセットによって生じる可能性がある。 そこで本研究では, 完全連結(FC)ニューラルネットとグラフニューラルネット(GNN)の機能を組み合わせた, 新たなジョイントフュージョンモデルを提案する。 本モデルは,遺伝子配列に関する表表データと,スタンフォードの薬剤耐性変異表から得られた知識ベースの両方を用いて,ウイルス遺伝子配列に基づく生体内治療効果を推定するためのベンチマーク基準として機能する。 グラフとして構築されたこの知識ベースを活用することで、GNNコンポーネントは、不均衡なデータ分布に適応し、OoD(Out-of-Distribution)薬物を考慮に入れます。 テストセットにおけるOoD薬物に対するこれらのモデルの堅牢性を評価した。 本稿では,提案モデルがFCモデルより一貫して優れていることを示す。 これらの結果は、スタンフォードのスコアをモデルに組み込むことの利点を浮き彫りにして、その一般化性とロバスト性を高めるとともに、データ可用性に制限のあるより情報的な臨床的決定に寄与する有用性も拡張した。 ソースコードはhttps://github.com/federicosiciliano/graph-ood-hivで公開されている。

関連論文リスト

• Explainable AI for Classifying UTI Risk Groups Using a Real-World Linked EHR and Pathology Lab Dataset [0.47517735516852333]
  尿路感染症(UTIs)の特徴付けにリンクEHRデータセットを活用する 臨床専門知識からUTIリスク推定フレームワークを導入し,個別の患者タイムラインにまたがってUTIリスクを推定する。 リスクグループ間で臨床および人口統計学的予測値の違いが判明した。
  論文  参考訳（メタデータ） (2024-11-26T18:10:51Z)
• Enhancing Acute Kidney Injury Prediction through Integration of Drug Features in Intensive Care Units [0.0]
  急性腎障害(AKI)予測と腎障害薬との関連は, 治療現場ではまだ検討されていない。 そこで本研究では,患者処方データをモダリティとして活用し,既存のAKI予測モデルを改善する手法を提案する。
  論文  参考訳（メタデータ） (2024-01-09T05:42:32Z)
• Multiscale Topology in Interactomic Network: From Transcriptome to Antiaddiction Drug Repurposing [0.3683202928838613]
  米国における薬物依存の激化は、革新的な治療戦略の緊急の必要性を浮き彫りにしている。 本研究は,オピオイドおよびコカイン依存症治療の薬物再服用候補を探索するための,革新的で厳格な戦略に着手した。
  論文  参考訳（メタデータ） (2023-12-03T04:01:38Z)
• MedDiffusion: Boosting Health Risk Prediction via Diffusion-based Data Augmentation [58.93221876843639]
  本稿では,MedDiffusion という,エンドツーエンドの拡散に基づくリスク予測モデルを提案する。 トレーニング中に合成患者データを作成し、サンプルスペースを拡大することで、リスク予測性能を向上させる。 ステップワイズ・アテンション・メカニズムを用いて患者の来訪者間の隠れた関係を識別し、高品質なデータを生成する上で最も重要な情報をモデルが自動的に保持することを可能にする。
  論文  参考訳（メタデータ） (2023-10-04T01:36:30Z)
• Drug Synergistic Combinations Predictions via Large-Scale Pre-Training and Graph Structure Learning [82.93806087715507]
  薬物併用療法は、より有効で安全性の低い疾患治療のための確立された戦略である。 ディープラーニングモデルは、シナジスティックな組み合わせを発見する効率的な方法として登場した。 我々のフレームワークは、他のディープラーニングベースの手法と比較して最先端の結果を達成する。
  論文  参考訳（メタデータ） (2023-01-14T15:07:43Z)
• Prediction of drug effectiveness in rheumatoid arthritis patients based on machine learning algorithms [2.5759046095742453]
  慢性関節リウマチ(RA)は、患者の免疫系が誤って自身の組織を標的としたときに引き起こされる自己免疫疾患である。 機械学習(ML)は、患者の電子的健康記録のパターンを特定し、患者の結果を改善する最良の臨床治療を予測する可能性がある。 本研究は, 臨床データから情報を取り出すためのデータ処理パイプラインを設計し, 機能的使用のために前処理し, 2) 薬物に対するRA患者の反応を予測し, 分類モデルの性能を評価するためのTNFフレームワークを導入した。
  論文  参考訳（メタデータ） (2022-10-14T15:15:37Z)
• Generating Synthetic Clinical Data that Capture Class Imbalanced Distributions with Generative Adversarial Networks: Example using Antiretroviral Therapy for HIV [2.140861702387444]
  従来のGANセットアップを外部メモリで拡張し、実際のサンプルから機能を再生します。 より重要なことは, 実際の臨床データに共通する厳密なクラス不均衡分布の把握に有効であることを示す。
  論文  参考訳（メタデータ） (2022-08-18T06:19:46Z)
• Bootstrapping Your Own Positive Sample: Contrastive Learning With Electronic Health Record Data [62.29031007761901]
  本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。 EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。 私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
  論文  参考訳（メタデータ） (2021-04-07T06:02:04Z)
• HINT: Hierarchical Interaction Network for Trial Outcome Prediction Leveraging Web Data [56.53715632642495]
  臨床試験は、有効性、安全性、または患者採用の問題により、不確実な結果に直面する。 本稿では,より一般的な臨床試験結果予測のための階層型Interaction Network(HINT)を提案する。
  論文  参考訳（メタデータ） (2021-02-08T15:09:07Z)
• MIA-Prognosis: A Deep Learning Framework to Predict Therapy Response [58.0291320452122]
  本稿では,患者の予後と治療反応を予測するための統合型深層学習手法を提案する。 我々は,マルチモーダル非同期時系列分類タスクとして,確率モデリングを定式化する。 我々の予測モデルは、長期生存の観点から、低リスク、高リスクの患者をさらに階層化する可能性がある。
  論文  参考訳（メタデータ） (2020-10-08T15:30:17Z)
• 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。