論文の概要: Investigation of Customized Medical Decision Algorithms Utilizing Graph Neural Networks
- arxiv url: http://arxiv.org/abs/2405.17460v1
- Date: Thu, 23 May 2024 04:30:41 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-30 00:20:06.387547
- Title: Investigation of Customized Medical Decision Algorithms Utilizing Graph Neural Networks
- Title（参考訳）: グラフニューラルネットワークを用いたカスタマイズ医療意思決定アルゴリズムの検討
- Authors: Yafeng Yan, Shuyao He, Zhou Yu, Jiajie Yuan, Ziang Liu, Yan Chen,
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 15.04251924479172
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Aiming at the limitations of traditional medical decision system in processing large-scale heterogeneous medical data and realizing highly personalized recommendation, this paper introduces a personalized medical decision algorithm utilizing graph neural network (GNN). This research innovatively integrates graph neural network technology into the medical and health field, aiming to build a high-precision representation model of patient health status by mining the complex association between patients' clinical characteristics, genetic information, living habits. In this study, medical data is preprocessed to transform it into a graph structure, where nodes represent different data entities (such as patients, diseases, genes, etc.) and edges represent interactions or relationships between entities. The core of the algorithm is to design a novel multi-scale fusion mechanism, combining the historical medical records, physiological indicators and genetic characteristics of patients, to dynamically adjust the attention allocation strategy of the graph neural network, so as to achieve highly customized analysis of individual cases. In the experimental part, this study selected several publicly available medical data sets for validation, and the results showed that compared with traditional machine learning methods and a single graph neural network model, the proposed personalized medical decision algorithm showed significantly superior performance in terms of disease prediction accuracy, treatment effect evaluation and patient risk stratification.
- Abstract（参考訳）: 大規模不均一な医療データを処理し、高度にパーソナライズされたレコメンデーションを実現するために、グラフニューラルネットワーク(GNN)を用いたパーソナライズされた医療決定アルゴリズムを提案する。
本研究は, 患者の臨床特性, 遺伝情報, 生活習慣の複雑な関係をマイニングすることにより, 患者の健康状態の高精度表現モデルを構築することを目的として, グラフニューラルネットワーク技術を医療・健康分野に革新的に組み入れている。
本研究では、医療データを前処理してグラフ構造に変換し、ノードが異なるデータエンティティ(患者、疾患、遺伝子など)を表現し、エッジが相互作用やエンティティ間の関係を表現する。
本アルゴリズムの核となるのは, 歴史的医療記録, 生理指標, および患者の遺伝的特徴を組み合わせた, 新規なマルチスケール融合機構を設計し, グラフニューラルネットワークの注意配分戦略を動的に調整し, 個々の症例の高度にカスタマイズされた分析を実現することである。
その結果, 従来の機械学習手法と単一グラフニューラルネットワークモデルと比較すると, 病状予測精度, 治療効果評価, 患者リスク階層化の点で, 個人化された医療決定アルゴリズムの方が有意に優れた性能を示した。
関連論文リスト
- 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) - 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) - MaxCorrMGNN: A Multi-Graph Neural Network Framework for Generalized
Multimodal Fusion of Medical Data for Outcome Prediction [3.2889220522843625]
我々はMaxCorr MGNNと呼ばれる革新的な融合手法を開発し、患者内および患者間の非線形モダリティ相関をモデル化する。
次に,多層グラフにおけるタスクインフォームド推論のための汎用多層グラフニューラルネットワーク(MGNN)を初めて設計する。
我々は,本モデルを結核データセットにおける結果予測タスクとして評価し,最先端のニューラルネットワーク,グラフベース,従来の融合技術より一貫して優れていることを示す。
論文 参考訳（メタデータ） (2023-07-13T23:52:41Z) - Predicting Biomedical Interactions with Probabilistic Model Selection
for Graph Neural Networks [5.156812030122437]
現在の生物学的ネットワークは、ノイズ、スパース、不完全であり、そのような相互作用の実験的同定には時間と費用がかかる。
ディープグラフニューラルネットワークは、グラフ構造データモデリングの有効性を示し、バイオメディカル相互作用予測において優れた性能を達成した。
提案手法により,グラフ畳み込みネットワークは,その深度を動的に適応し,対話数の増加に対応することができる。
論文 参考訳（メタデータ） (2022-11-22T20:44:28Z) - 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 Convolutional Networks for Multi-modality Medical Imaging:
Methods, Architectures, and Clinical Applications [13.940158397866625]
グラフ畳み込みネットワーク(GCN)の開発は、医療画像解析における新たな研究の波を生み出した。
GCNの能力は、定量的疾患の理解、モニタリング、診断の改善を目標に、医療画像解析における新たな研究の波を生み出している。
論文 参考訳（メタデータ） (2022-02-17T22:03:59Z) - The Medkit-Learn(ing) Environment: Medical Decision Modelling through
Simulation [81.72197368690031]
医用シーケンシャルな意思決定に特化して設計された新しいベンチマークスイートを提案する。
Medkit-Learn(ing) Environmentは、高忠実度合成医療データに簡単かつ簡単にアクセスできるPythonパッケージである。
論文 参考訳（メタデータ） (2021-06-08T10:38:09Z) - 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) - Trajectories, bifurcations and pseudotime in large clinical datasets:
applications to myocardial infarction and diabetes data [94.37521840642141]
混合データ型と欠落値を特徴とする大規模臨床データセット分析のための半教師付き方法論を提案する。
この手法は、次元の減少、データの可視化、クラスタリング、特徴の選択と、部分的に順序付けられた観測列における測地距離(擬時)の定量化のタスクを同時に扱うことのできる弾性主グラフの適用に基づいている。
論文 参考訳（メタデータ） (2020-07-07T21:04:55Z) - 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。