論文の概要: Graph Transformer with Disease Subgraph Positional Encoding for Improved Comorbidity Prediction

• arxiv url: http://arxiv.org/abs/2503.03046v1
• Date: Tue, 04 Mar 2025 22:59:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-06 15:51:41.282414
• Title: Graph Transformer with Disease Subgraph Positional Encoding for Improved Comorbidity Prediction
• Title（参考訳）: 病的部分グラフ位置エンコーディングを用いたコービディティ予測のためのグラフ変換器
• Authors: Xihan Qin, Li Liao,
• Abstract要約: コモビディティ(Comorbidity)は、単一の患者において複数の医療条件の同時発生であり、疾患の管理と結果に大きな影響を及ぼす。 本研究は,病原性予測のためのTSPE(Subgraph Positional morbidities)を導入したトランスフォーマーを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Comorbidity, the co-occurrence of multiple medical conditions in a single patient, profoundly impacts disease management and outcomes. Understanding these complex interconnections is crucial, especially in contexts where comorbidities exacerbate outcomes. Leveraging insights from the human interactome (HI) and advancements in graph-based methodologies, this study introduces Transformer with Subgraph Positional Encoding (TSPE) for disease comorbidity prediction. Inspired by Biologically Supervised Embedding (BSE), TSPE employs Transformer's attention mechanisms and Subgraph Positional Encoding (SPE) to capture interactions between nodes and disease associations. Our proposed SPE proves more effective than LPE, as used in Dwivedi et al.'s Graph Transformer, underscoring the importance of integrating clustering and disease-specific information for improved predictive accuracy. Evaluated on real clinical benchmark datasets (RR0 and RR1), TSPE demonstrates substantial performance enhancements over the state-of-the-art method, achieving up to 28.24% higher ROC AUC and 4.93% higher accuracy. This method shows promise for adaptation to other complex graph-based tasks and applications. The source code is available in the GitHub repository at: https://github.com/xihan-qin/TSPE-GraphTransformer.
• Abstract（参考訳）: コモビディティ(Comorbidity)は、単一の患者において複数の医療条件の同時発生であり、疾患の管理と結果に大きな影響を及ぼす。 これらの複雑な相互接続を理解することは、特に共生が結果を悪化させる文脈において重要である。 本研究は,ヒトインターフェクトーム(HI)の知見とグラフベースの手法の進歩を活かし,病気のコオービディティ予測のためのサブグラフ位置エンコーディング(TSPE)を用いたトランスフォーマーを提案する。 BSE(Biological Supervised Embedding)にインスパイアされたTSPEは、Transformerの注意機構とサブグラフ位置エンコーディング(Subgraph Positional Encoding, SPE)を使用して、ノードと病気の関連性の間の相互作用をキャプチャする。 提案したSPEは,Dwivedi et al's Graph Transformer で用いられているような LPE よりも有効であることを示す。 実際の臨床ベンチマークデータセット(RR0とRR1)に基づいて評価され、TSPEは最先端の手法よりも大幅なパフォーマンス向上を示し、最大28.24%のROC AUCと4.93%の精度を達成した。 この方法は、他の複雑なグラフベースのタスクやアプリケーションへの適応を約束する。 ソースコードはGitHubリポジトリで、https://github.com/xihan-qin/TSPE-GraphTransformer.comで公開されている。

関連論文リスト

• An Advanced NLP Framework for Automated Medical Diagnosis with DeBERTa and Dynamic Contextual Positional Gating [0.40964539027092917]
  提案手法では、バックトランスレーションを用いて多様なパラフレーズデータセットを生成し、ロバスト性を改善し、分類タスクにおけるオーバーフィッティングを軽減する。 分類には、意図に基づくフィードフォワードニューラルネットワーク(ABFNN)が使用され、意思決定精度を向上させるために、最も関連性の高い機能に効果的に焦点が当てられている。 本手法は, 99.78%の精度, 99.72%のリコール, 99.79%の精度, F1スコアの99.75%の精度で, 医療診断におけるNLPフレームワークの有効性を示す。
  論文  参考訳（メタデータ） (2025-02-11T18:32:24Z)
• Comprehensive Metapath-based Heterogeneous Graph Transformer for Gene-Disease Association Prediction [19.803593399456823]
  Metapath-based heterogeneous graph Transformer (COMET) を用いた遺伝子解析 本手法は, 最先端手法と比較して, 優れたロバスト性を示す。
  論文  参考訳（メタデータ） (2025-01-14T09:41:18Z)
• GAMMA-PD: Graph-based Analysis of Multi-Modal Motor Impairment Assessments in Parkinson's Disease [9.69595196614787]
  本稿では,多モード臨床データ解析のための新しいヘテロジニアスハイパーグラフ融合フレームワークであるGAMA-PDを提案する。 GAMMA-PDは、高次情報を保存することにより、画像と非画像データを"ハイパーネットワーク"(患者集団グラフ)に統合する。 パーキンソン病における運動障害症状の予測に有意な改善が認められた。
  論文  参考訳（メタデータ） (2024-10-01T15:51:33Z)
• Communication-Efficient Hybrid Federated Learning for E-health with Horizontal and Vertical Data Partitioning [67.49221252724229]
  E-Healthは、スマートデバイスや医療機関が患者のデータを共同で収集することを可能にする。 eヘルスにフェデレートされた学習を適用することは、多くの課題に直面します。 医療データは水平および垂直に分割される。 HFLとVFLの単純な組み合わせには、訓練効率の低下、難聴収束分析、パラメータチューニング戦略の欠如など、制限がある。
  論文  参考訳（メタデータ） (2024-04-15T19:45:07Z)
• Leveraging Semi-Supervised Graph Learning for Enhanced Diabetic Retinopathy Detection [0.0]
  糖尿病網膜症(DR: Diabetic Retinopathy)は、早期発見と治療の急激な必要性を浮き彫りにしている。 機械学習(ML)技術の最近の進歩は、DR検出における将来性を示しているが、ラベル付きデータの可用性は、しばしばパフォーマンスを制限している。 本研究では,DR検出に適したSemi-Supervised Graph Learning SSGLアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-09-02T04:42:08Z)
• PrepNet: A Convolutional Auto-Encoder to Homogenize CT Scans for Cross-Dataset Medical Image Analysis [0.22485007639406518]
  新型コロナウイルスの診断はPCR検査で効率的に行えるようになったが、このユースケースは、データの多様性を克服する方法論の必要性を実証するものだ。 本稿では,CTスキャンに最小限の変更を同時に導入しながら,イメージング技術によって引き起こされる差を解消することを目的とした,新しい生成手法を提案する。
  論文  参考訳（メタデータ） (2022-08-19T15:49:47Z)
• Cross-modal Clinical Graph Transformer for Ophthalmic Report Generation [116.87918100031153]
  眼科報告生成(ORG)のためのクロスモーダルな臨床グラフ変換器(CGT)を提案する。 CGTは、デコード手順を駆動する事前知識として、臨床関係を視覚特徴に注入する。 大規模FFA-IRベンチマークの実験は、提案したCGTが従来のベンチマーク手法より優れていることを示した。
  論文  参考訳（メタデータ） (2022-06-04T13:16:30Z)
• 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)
• 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)
• Collaborative Boundary-aware Context Encoding Networks for Error Map Prediction [65.44752447868626]
  本稿では,AEP-Net と呼ばれる協調的コンテキスト符号化ネットワークを提案する。 具体的には、画像とマスクのより優れた特徴融合のための協調的な特徴変換分岐と、エラー領域の正確な局所化を提案する。 AEP-Netはエラー予測タスクの平均DSCが0.8358,0.8164であり、ピアソン相関係数が0.9873である。
  論文  参考訳（メタデータ） (2020-06-25T12:42:01Z)
• Dynamic Graph Correlation Learning for Disease Diagnosis with Incomplete Labels [66.57101219176275]
  胸部X線画像上の疾患診断は,多ラベル分類の課題である。 本稿では,異なる疾患間の相互依存を調査する新たな視点を提示する病的診断グラフ畳み込みネットワーク(DD-GCN)を提案する。 本手法は,相関学習のための動的隣接行列を用いた特徴写像上のグラフを初めて構築する手法である。
  論文  参考訳（メタデータ） (2020-02-26T17:10:48Z)

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。