論文の概要: Medical Applications of Graph Convolutional Networks Using Electronic Health Records: A Survey

• arxiv url: http://arxiv.org/abs/2502.09781v1
• Date: Thu, 13 Feb 2025 21:30:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-17 14:45:07.960840
• Title: Medical Applications of Graph Convolutional Networks Using Electronic Health Records: A Survey
• Title（参考訳）: 電子カルテを用いたグラフ畳み込みネットワークの医療応用:調査
• Authors: Garrik Hoyt, Noyonica Chatterjee, Fortunato Battaglia, Paramita Basu,
• Abstract要約: Graph Convolutional Networks (GCNs)は、Electronic Health Records (EHRs)における機械学習への有望なアプローチとして登場した。 GCNは複雑な関係を捉え、医学的な意思決定を支援する意味のある洞察を抽出することができる。 この調査は、GCNをEHRデータに適用する現在の研究の概要を提供する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Graph Convolutional Networks (GCNs) have emerged as a promising approach to machine learning on Electronic Health Records (EHRs). By constructing a graph representation of patient data and performing convolutions on neighborhoods of nodes, GCNs can capture complex relationships and extract meaningful insights to support medical decision making. This survey provides an overview of the current research in applying GCNs to EHR data. We identify the key medical domains and prediction tasks where these models are being utilized, common benchmark datasets, and architectural patterns to provide a comprehensive survey of this field. While this is a nascent area of research, GCNs demonstrate strong potential to leverage the complex information hidden in EHRs. Challenges and opportunities for future work are also discussed.
• Abstract（参考訳）: Graph Convolutional Networks (GCNs) は、Electronic Health Records (EHRs) 上での機械学習への有望なアプローチとして登場した。 患者データのグラフ表現を構築し、ノードの近傍で畳み込みを行うことにより、GCNは複雑な関係を捉え、医学的な意思決定を支援する意味のある洞察を抽出することができる。 この調査は、GCNをEHRデータに適用する現在の研究の概要を提供する。 我々は、これらのモデルが使われている重要な医療領域と予測タスク、一般的なベンチマークデータセット、アーキテクチャパターンを特定し、この分野の包括的な調査を提供する。 これは初期の研究分野であるが、GCNはEHRに隠された複雑な情報を活用する強力な可能性を示している。 今後の仕事への挑戦や機会についても論じる。

関連論文リスト

• Evaluating the Predictive Features of Person-Centric Knowledge Graph Embeddings: Unfolding Ablation Studies [0.757843972001219]
  そこで本研究では,MIMIC-IIIデータセットから得られた構造化情報と非構造化情報を用いて学習したGNNモデルの結果を体系的に検証する手法を提案する。 本研究は,PKGにおける読み出し予測の課題に対する予測的特徴の同定におけるこのアプローチの堅牢性を示す。
  論文  参考訳（メタデータ） (2024-08-27T09:48:25Z)
• Graph Neural Networks for Brain Graph Learning: A Survey [53.74244221027981]
  グラフニューラルネットワーク(GNN)は、グラフ構造化データのマイニングにおいて大きな優位性を示している。 脳障害解析のための脳グラフ表現を学習するGNNが最近注目を集めている。 本稿では,GNNを利用した脳グラフ学習の成果をレビューすることで,このギャップを埋めることを目的としている。
  論文  参考訳（メタデータ） (2024-06-01T02:47:39Z)
• Recent Advances in Predictive Modeling with Electronic Health Records [71.19967863320647]
  EHRデータを予測モデリングに利用すると、その特徴からいくつかの課題が生じる。 深層学習は、医療を含む様々な応用においてその優位性を示している。
  論文  参考訳（メタデータ） (2024-02-02T00:31:01Z)
• A Systematic Review of Deep Graph Neural Networks: Challenges, Classification, Architectures, Applications & Potential Utility in Bioinformatics [0.0]
  グラフニューラルネットワーク(GNN)は、グラフ依存を表現するためにグラフノード間のメッセージ送信を使用する。 GNNは、バイオインフォマティクス研究における幅広い生物学的課題を解決するための優れたツールとなる可能性がある。
  論文  参考訳（メタデータ） (2023-11-03T10:25:47Z)
• Knowledge Graph Embedding with Electronic Health Records Data via Latent Graphical Block Model [13.398292423857756]
  潜在的グラフィカルブロックモデル (LGBM) を用いて, EHR特徴量間の条件依存構造を推定する。 提案した推定器の統計率を確立し,ブロック構造の完全回復を示す。
  論文  参考訳（メタデータ） (2023-05-31T16:18:46Z)
• An Empirical Study of Retrieval-enhanced Graph Neural Networks [48.99347386689936]
  グラフニューラルネットワーク(GNN)は、グラフ表現学習に有効なツールである。 本稿では,グラフニューラルネットワークモデルの選択に非依存な GraphRETRIEVAL という検索強化方式を提案する。 我々は13のデータセットに対して包括的な実験を行い、GRAPHRETRIEVALが既存のGNNよりも大幅に改善されていることを観察した。
  論文  参考訳（メタデータ） (2022-06-01T09:59:09Z)
• 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)
• A review of Generative Adversarial Networks for Electronic Health Records: applications, evaluation measures and data sources [8.319639237899155]
  Generative Adversarial Networks (GANs) は、基礎となるデータ分布を学習することで、合成EHRデータを生成する大きな可能性を示している。 本研究は,GANs for EHRの様々な応用における主要な展開を概観することを目的としており,提案手法の概要を提供する。 我々は、EHR開発におけるGANの課題について議論し、推奨プラクティスを提案することで締めくくります。
  論文  参考訳（メタデータ） (2022-03-14T11:56:47Z)
• A Computational Framework for Modeling Complex Sensor Network Data Using Graph Signal Processing and Graph Neural Networks in Structural Health Monitoring [0.7519872646378835]
  本稿では,グラフ信号処理(GSP)とグラフニューラルネットワーク(GNN)を組み合わせた複雑なネットワークモデリングに基づくフレームワークを提案する。 我々は,オランダの大きな橋梁のセンサデータ(ひずみ,振動)のモデル化と解析という,実世界の構造的健康モニタリングユースケースに注目した。
  論文  参考訳（メタデータ） (2021-05-01T10:45:57Z)
• 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)
• Opportunities and Challenges of Deep Learning Methods for Electrocardiogram Data: A Systematic Review [62.490310870300746]
  心電図(Electrocardiogram、ECG)は、医学および医療において最も一般的に用いられる診断ツールの1つである。 深層学習法は心電図信号を用いた予測医療タスクにおいて有望な結果を得た。 本稿では、モデリングとアプリケーションの観点から、ECGデータに対するディープラーニング手法の体系的なレビューを行う。
  論文  参考訳（メタデータ） (2019-12-28T02:44:29Z)

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。