論文の概要: Identifying Critical Phases for Disease Onset with Sparse Haematological Biomarkers

• arxiv url: http://arxiv.org/abs/2503.14561v1
• Date: Tue, 18 Mar 2025 07:29:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-20 15:22:01.725645
• Title: Identifying Critical Phases for Disease Onset with Sparse Haematological Biomarkers
• Title（参考訳）: 希少な血液マーカーによる疾患発症のクリティカルフェーズの同定
• Authors: Andrea Zerio, Maya Bechler-Speicher, Tine Jess, Aleksejs Sazonovs,
• Abstract要約: 臨床血液検査は、大規模生物医学研究のための新しい分子データ源である。 従来の計算法は、生物学的解釈性に欠けながら歪んだ学習信号とバイアス予測にアプローチする。 デルタバイオマーカートラジェクトリをモデル化するために,GNAN(Graph Neural Additive Networks)を用いた新しい手法を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Routinely collected clinical blood tests are an emerging molecular data source for large-scale biomedical research but inherently feature irregular sampling and informative observation. Traditional approaches rely on imputation, which can distort learning signals and bias predictions while lacking biological interpretability. We propose a novel methodology using Graph Neural Additive Networks (GNAN) to model biomarker trajectories as time-weighted directed graphs, where nodes represent sampling events and edges encode the time delta between events. GNAN's additive structure enables the explicit decomposition of feature and temporal contributions, allowing the detection of critical disease-associated time points. Unlike conventional imputation-based approaches, our method preserves the temporal structure of sparse data without introducing artificial biases and provides inherently interpretable predictions by decomposing contributions from each biomarker and time interval. This makes our model clinically applicable, as well as allowing it to discover biologically meaningful disease signatures.
• Abstract（参考訳）: 定期的に収集された臨床血液検査は、大規模生物医学研究のための新しい分子データ源であるが、本質的に不規則なサンプリングと情報的観察を特徴としている。 従来のアプローチでは、生物学的解釈性に欠けながら、学習信号やバイアス予測を歪ませる計算に頼っていた。 本稿では,生物マーカートラジェクトリを時間重み付き有向グラフとしてモデル化するために,GNAN (Graph Neural Additive Networks) を用いた新しい手法を提案する。 GNANの付加構造は、特徴と時間的貢献の明確な分解を可能にし、重要な疾患関連点の検出を可能にする。 従来の計算手法と異なり,本手法は人工バイアスを伴わずにスパースデータの時間構造を保存し,各バイオマーカーと時間間隔からのコントリビューションを分解することによって,本質的に解釈可能な予測を行う。 これにより、我々のモデルは臨床的に適用でき、生物学的に有意義な疾患の徴候を発見できる。

関連論文リスト

• Lifestyle-Informed Personalized Blood Biomarker Prediction via Novel Representation Learning [7.845988771273181]
  今後,血液マーカーの値を予測する新しい枠組みを提案する。 提案手法は,生物マーカーと生活習慣因子の複雑な関係を捉える類似性に基づく埋め込み空間を学習する。
  論文  参考訳（メタデータ） (2024-07-09T23:52:53Z)
• Seeing Unseen: Discover Novel Biomedical Concepts via Geometry-Constrained Probabilistic Modeling [53.7117640028211]
  同定された問題を解決するために,幾何制約付き確率的モデリング処理を提案する。 構成された埋め込み空間のレイアウトに適切な制約を課すために、重要な幾何学的性質のスイートを組み込む。 スペクトルグラフ理論法は、潜在的な新規クラスの数を推定するために考案された。
  論文  参考訳（メタデータ） (2024-03-02T00:56:05Z)
• 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)
• T-Phenotype: Discovering Phenotypes of Predictive Temporal Patterns in Disease Progression [82.85825388788567]
  我々は、ラベル付き時系列データから予測時相パターンの表現型を発見するために、新しい時間的クラスタリング手法T-Phenotypeを開発した。 T-フェノタイプは, 評価ベースラインのすべてに対して, 最良の表現型発見性能を示す。
  論文  参考訳（メタデータ） (2023-02-24T13:30:35Z)
• Spatial Temporal Graph Convolution with Graph Structure Self-learning for Early MCI Detection [9.11430195887347]
  本稿では,EMCI検出のための新しいグラフ構造自己学習機構を備えた空間時空間グラフ畳み込みネットワークを提案する。 The Alzheimer's Disease Neuroimaging Initiative databaseの結果は、我々の手法が最先端のアプローチより優れていることを示している。
  論文  参考訳（メタデータ） (2022-11-11T12:29:00Z)
• Learning image representations for anomaly detection: application to discovery of histological alterations in drug development [0.0]
  病理組織学では、通常標本は豊富であるが、異常(病理)の症例は少ないか、利用できない。 このような画像の事前学習畳み込みニューラルネットワーク(CNN)表現と組み合わせたアプローチは、以前は異常検出(AD)に用いられていた。 本手法は, 早期に薬剤の毒性評価に有効であり, 遅発性薬剤の服用を低減できる可能性が示唆された。
  論文  参考訳（メタデータ） (2022-10-14T10:00:36Z)
• Label scarcity in biomedicine: Data-rich latent factor discovery enhances phenotype prediction [102.23901690661916]
  低次元の埋め込み空間は、健康指標、ライフスタイル、および人口動態の予測をデータスカース化するために、英国バイオバンクの人口データセットから導出することができる。 半超越的アプローチによるパフォーマンス向上は、おそらく様々な医学データサイエンス応用にとって重要な要素となるだろう。
  論文  参考訳（メタデータ） (2021-10-12T16:25:50Z)
• G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for Biomarker Identification and Disease Classification [49.53651166356737]
  診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。 2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
  論文  参考訳（メタデータ） (2021-01-27T19:28:04Z)
• 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)

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。