論文の概要: Beyond Feature Importance: Feature Interactions in Predicting Post-Stroke Rigidity with Graph Explainable AI

• arxiv url: http://arxiv.org/abs/2504.08150v1
• Date: Thu, 10 Apr 2025 22:20:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-14 14:18:18.890634
• Title: Beyond Feature Importance: Feature Interactions in Predicting Post-Stroke Rigidity with Graph Explainable AI
• Title（参考訳）: 機能の重要性を超えて - グラフ説明可能なAIによるストローク後の剛性予測における機能相互作用
• Authors: Jiawei Xu, Yonggeon Lee, Anthony Elkommos Youssef, Eunjin Yun, Tinglin Huang, Tianjian Guo, Hamidreza Saber, Rex Ying, Ying Ding,
• Abstract要約: 筋緊張と硬さを特徴とする後ストローク剛性は、生存者の移動性や生活の質に大きな影響を及ぼす。 本研究は,グラフに基づく説明可能なAIによって特徴的相互作用を強調することによって,ストローク後の剛性を予測するという課題に対処する。
• 参考スコア（独自算出の注目度）: 12.69689718988924
• License:
• Abstract: This study addresses the challenge of predicting post-stroke rigidity by emphasizing feature interactions through graph-based explainable AI. Post-stroke rigidity, characterized by increased muscle tone and stiffness, significantly affects survivors' mobility and quality of life. Despite its prevalence, early prediction remains limited, delaying intervention. We analyze 519K stroke hospitalization records from the Healthcare Cost and Utilization Project dataset, where 43% of patients exhibited rigidity. We compare traditional approaches such as Logistic Regression, XGBoost, and Transformer with graph-based models like Graphormer and Graph Attention Network. These graph models inherently capture feature interactions and incorporate intrinsic or post-hoc explainability. Our results show that graph-based methods outperform others (AUROC 0.75), identifying key predictors such as NIH Stroke Scale and APR-DRG mortality risk scores. They also uncover interactions missed by conventional models. This research provides a novel application of graph-based XAI in stroke prognosis, with potential to guide early identification and personalized rehabilitation strategies.
• Abstract（参考訳）: 本研究は,グラフに基づく説明可能なAIによって特徴的相互作用を強調することによって,ストローク後の剛性を予測するという課題に対処する。 筋緊張と硬さを特徴とする後ストローク剛性は、生存者の移動性や生活の質に大きな影響を及ぼす。 その流行にもかかわらず、早期の予測は限定的であり、介入を遅らせる。 症例の43%が剛性を示した医療費・利用プロジェクトデータセットから519Kの脳卒中入院記録を分析した。 Logistic RegressionやXGBoost、Transformerといった従来のアプローチを、GraphormerやGraph Attention Networkといったグラフベースのモデルと比較します。 これらのグラフモデルは本質的に特徴的相互作用を捉え、本質的またはポストホックな説明可能性を含む。 AUROC 0.75は,NIH Stroke Scale や APR-DRG の死亡リスクスコアなどの重要な予測因子を同定する。 彼らはまた、従来のモデルで欠落した相互作用を明らかにした。 本研究は,脳卒中予後におけるグラフベースのXAIの新しい応用であり,早期の同定とパーソナライズされたリハビリテーション戦略を導く可能性がある。

関連論文リスト

• Graph Neural Networks for Heart Failure Prediction on an EHR-Based Patient Similarity Graph [1.4260605984981949]
  本研究では,グラフニューラルネットワーク(GNN)とグラフトランスフォーマー(GT)を用いた心不全の発生予測手法を提案する。 HFの発生を予測するために、GraphSAGE、Graph Attention Network(GAT)、Graph Transformer(GT)の3つのモデルが実装された。 GTモデルは最高のパフォーマンスを示した(F1スコア: 0.5361, AUROC: 0.7925, AUPRC: 0.5168)。
  論文  参考訳（メタデータ） (2024-11-29T14:40:19Z)
• 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)
• Classification of developmental and brain disorders via graph convolutional aggregation [6.6356049194991815]
  本稿では,グラフサンプリングにおける集約を利用したアグリゲータ正規化グラフ畳み込みネットワークを提案する。 提案モデルは,画像特徴と非画像特徴の両方をグラフノードとエッジに組み込むことで,識別グラフノード表現を学習する。 我々は、自閉症脳画像データ交換(ABIDE)とアルツハイマー病神経イメージングイニシアチブ(ADNI)という2つの大きなデータセット上の最近のベースライン手法と比較して、我々のモデルをベンチマークした。
  論文  参考訳（メタデータ） (2023-11-13T14:36:29Z)
• Towards Self-Interpretable Graph-Level Anomaly Detection [73.1152604947837]
  グラフレベルの異常検出(GLAD)は、コレクションの大多数と比べて顕著な相違を示すグラフを識別することを目的としている。 本稿では,異常なグラフを検出し,同時に情報的説明を生成する自己解釈グラフaNomaly dETectionモデル(SIGNET)を提案する。
  論文  参考訳（メタデータ） (2023-10-25T10:10:07Z)
• Graph data modelling for outcome prediction in oropharyngeal cancer patients [38.37247384790338]
  グラフニューラルネットワーク(GNN)は、疾患の分類と予後予測のタスクにおいて、医療分野でますます人気が高まっている。 口腔咽頭癌(OPC)患者の2次予後予測のためのインダクティブ・ラーニング・セットアップで検討した患者ハイパーグラフ・ネットワーク(PHGN)を提案する。
  論文  参考訳（メタデータ） (2023-10-04T16:09:35Z)
• HGIB: Prognosis for Alzheimer's Disease via Hypergraph Information Bottleneck [3.8988556182958005]
  情報ボトルネック戦略(HGIB)に基づく新しいハイパーグラフフレームワークを提案する。 本フレームワークは,無関係な情報を識別することを目的としており,今後のMCI変換予測のための関連情報の調和にのみ焦点をあてている。 我々は、ADNIに関する広範な実験を通じて、提案したHGIBフレームワークが、アルツハイマー病予後のための既存の最先端ハイパーグラフニューラルネットワークより優れていることを実証した。
  論文  参考訳（メタデータ） (2023-03-18T10:53:43Z)
• Dynamic Graph Enhanced Contrastive Learning for Chest X-ray Report Generation [92.73584302508907]
  コントラスト学習を用いた医療レポート作成を支援するために,動的構造とノードを持つ知識グラフを提案する。 詳しくは、グラフの基本構造は一般知識から事前構築される。 各イメージ機能は、レポート生成のためにデコーダモジュールに入力する前に、独自の更新グラフに統合される。
  論文  参考訳（メタデータ） (2023-03-18T03:53:43Z)
• 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)
• Predicting Patient Readmission Risk from Medical Text via Knowledge Graph Enhanced Multiview Graph Convolution [67.72545656557858]
  本稿では,電子健康記録の医用テキストを予測に用いる新しい手法を提案する。 外部知識グラフによって強化された多視点グラフを有する患者の退院サマリーを表現している。 実験により,本手法の有効性が証明され,最先端の性能が得られた。
  論文  参考訳（メタデータ） (2021-12-19T01:45:57Z)
• 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)
• 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。