論文の概要: Interpretable Retinal Disease Prediction Using Biology-Informed Heterogeneous Graph Representations

• arxiv url: http://arxiv.org/abs/2502.16697v1
• Date: Sun, 23 Feb 2025 19:27:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-25 15:56:45.879398
• Title: Interpretable Retinal Disease Prediction Using Biology-Informed Heterogeneous Graph Representations
• Title（参考訳）: 生体内不均一グラフ表現を用いた網膜疾患の予測
• Authors: Laurin Lux, Alexander H. Berger, Maria Romeo Tricas, Alaa E. Fayed, Sobha Sivaprasada, Linus Kreitner, Jonas Weidner, Martin J. Menten, Daniel Rueckert, Johannes C. Paetzold,
• Abstract要約: 解釈可能性は、医療診断のための機械学習モデルの信頼性を高めるために不可欠である。 本研究では,確立した機械学習モデルの性能を超える手法を提案する。
• 参考スコア（独自算出の注目度）: 40.8160960729546
• License:
• Abstract: Interpretability is crucial to enhance trust in machine learning models for medical diagnostics. However, most state-of-the-art image classifiers based on neural networks are not interpretable. As a result, clinicians often resort to known biomarkers for diagnosis, although biomarker-based classification typically performs worse than large neural networks. This work proposes a method that surpasses the performance of established machine learning models while simultaneously improving prediction interpretability for diabetic retinopathy staging from optical coherence tomography angiography (OCTA) images. Our method is based on a novel biology-informed heterogeneous graph representation that models retinal vessel segments, intercapillary areas, and the foveal avascular zone (FAZ) in a human-interpretable way. This graph representation allows us to frame diabetic retinopathy staging as a graph-level classification task, which we solve using an efficient graph neural network. We benchmark our method against well-established baselines, including classical biomarker-based classifiers, convolutional neural networks (CNNs), and vision transformers. Our model outperforms all baselines on two datasets. Crucially, we use our biology-informed graph to provide explanations of unprecedented detail. Our approach surpasses existing methods in precisely localizing and identifying critical vessels or intercapillary areas. In addition, we give informative and human-interpretable attributions to critical characteristics. Our work contributes to the development of clinical decision-support tools in ophthalmology.
• Abstract（参考訳）: 解釈可能性は、医療診断のための機械学習モデルの信頼性を高めるために不可欠である。 しかし、ほとんどのニューラルネットワークに基づく最先端の画像分類器は解釈できない。 その結果、臨床医は診断のために既知のバイオマーカーを使用することが多いが、バイオマーカーに基づく分類は通常、大きなニューラルネットワークよりも悪いパフォーマンスを示す。 本研究は,光学コヒーレンストモグラフィアンギオグラフィー(OCTA)画像から得られた糖尿病網膜症に対する予測的解釈性を改善しつつ,確立された機械学習モデルの性能を上回る手法を提案する。 本手法は, 網膜血管セグメント, 毛細血管間領域, 胎児血管ゾーン (FAZ) を人為的にモデル化した, 生体インフォームド・ヘテロジニアスグラフ表現法に基づく。 このグラフ表現により、効率的なグラフニューラルネットワークを用いて、グラフレベルの分類タスクとしてステージングを行う糖尿病網膜症をフレーム化することができる。 我々は,従来のバイオマーカーに基づく分類器,畳み込みニューラルネットワーク(CNN),視覚変換器など,確立されたベースラインに対してベンチマークを行った。 我々のモデルは2つのデータセットで全てのベースラインを上回ります。 重要なことは、私たちの生物学のインフォームドグラフを使って、前例のない詳細の説明を提供しています。 本手法は,重要な血管や毛細血管領域を正確に同定する既存の手法を超越した手法である。 また,批判的特徴に対する情報的・人間的解釈的属性も与えている。 本研究は,眼科における臨床診断支援ツールの開発に寄与する。

関連論文リスト

• Tertiary Lymphoid Structures Generation through Graph-based Diffusion [54.37503714313661]
  本研究では,最先端のグラフベース拡散モデルを用いて生物学的に意味のある細胞グラフを生成する。 本研究では, グラフ拡散モデルを用いて, 3次リンパ構造(TLS)の分布を正確に学習できることを示す。
  論文  参考訳（メタデータ） (2023-10-10T14:37:17Z)
• Multimodal brain age estimation using interpretable adaptive population-graph learning [58.99653132076496]
  下流タスクに最適化された人口グラフ構造を学習するフレームワークを提案する。 注意機構は、画像と非画像の特徴のセットに重みを割り当てる。 グラフ構築において最も重要な注意重みを可視化することにより、グラフの解釈可能性を高める。
  論文  参考訳（メタデータ） (2023-07-10T15:35:31Z)
• A Comparative Study of Graph Neural Networks for Shape Classification in Neuroimaging [17.775145204666874]
  ニューロイメージングにおける形状分類のための幾何学的深層学習の現状について概説する。 ノード機能としてFPFHを使用することで,GNNの性能が大幅に向上し,アウト・オブ・ディストリビューションデータへの一般化が期待できる。 以上の結果から,アルツハイマー病の分類を応用し,臨床的に有意な課題を確定した。
  論文  参考訳（メタデータ） (2022-10-29T19:03:01Z)
• 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)
• Self-Supervised Graph Representation Learning for Neuronal Morphologies [75.38832711445421]
  ラベルのないデータセットから3次元神経形態の低次元表現を学習するためのデータ駆動型アプローチであるGraphDINOを提案する。 2つの異なる種と複数の脳領域において、この方法では、専門家による手動の特徴に基づく分類と同程度に形態学的細胞型クラスタリングが得られることを示す。 提案手法は,大規模データセットにおける新しい形態的特徴や細胞型の発見を可能にする可能性がある。
  論文  参考訳（メタデータ） (2021-12-23T12:17:47Z)
• A Survey on Graph-Based Deep Learning for Computational Histopathology [36.58189530598098]
  我々は、デジタル病理と生検画像パッチの分析に機械学習と深層学習の利用が急速に拡大しているのを目撃した。 畳み込みニューラルネットワークを用いたパッチワイド機能に関する従来の学習は、グローバルなコンテキスト情報をキャプチャしようとする際のモデルを制限する。 本稿では,グラフに基づく深層学習の概念的基盤を提供し,腫瘍の局在と分類,腫瘍浸潤とステージング,画像検索,生存予測の現在の成功について論じる。
  論文  参考訳（メタデータ） (2021-07-01T07:50:35Z)
• IAIA-BL: A Case-based Interpretable Deep Learning Model for Classification of Mass Lesions in Digital Mammography [20.665935997959025]
  機械学習モデルの解釈性は、高リスク決定において重要である。 機械学習に基づくマンモグラフィを解釈可能なフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-03-23T05:00:21Z)
• Visualization for Histopathology Images using Graph Convolutional Neural Networks [1.8939984161954087]
  我々は、組織組織を核のグラフとしてモデル化するアプローチを採用し、疾患診断のためのグラフ畳み込みネットワークフレームワークを開発した。 我々は,浸潤性乳癌とin-situ性乳癌の鑑別を訓練し,Gleason 3, 4前立腺癌は解釈可能なビジュアルマップを生成する。
  論文  参考訳（メタデータ） (2020-06-16T19:14:19Z)
• Retinopathy of Prematurity Stage Diagnosis Using Object Segmentation and Convolutional Neural Networks [68.96150598294072]
  未熟児網膜症(英: Retinopathy of Prematurity、ROP)は、主に体重の低い未熟児に影響を及ぼす眼疾患である。 網膜の血管の増殖を招き、視力喪失を招き、最終的には網膜剥離を招き、失明を引き起こす。 近年,ディープラーニングを用いて診断を自動化する試みが盛んに行われている。 本稿では,従来のモデルの成功を基盤として,オブジェクトセグメンテーションと畳み込みニューラルネットワーク(CNN)を組み合わせた新しいアーキテクチャを開発する。 提案システムでは,まず対象分割モデルを訓練し,画素レベルでの区切り線を識別し,その結果のマスクを追加の"カラー"チャネルとして付加する。
  論文  参考訳（メタデータ） (2020-04-03T14:07:41Z)

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。