論文の概要: Diffusion-driven SpatioTemporal Graph KANsformer for Medical Examination Recommendation

• arxiv url: http://arxiv.org/abs/2505.07431v1
• Date: Mon, 12 May 2025 10:47:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-13 20:21:49.35297
• Title: Diffusion-driven SpatioTemporal Graph KANsformer for Medical Examination Recommendation
• Title（参考訳）: ディフュージョン駆動型時空間グラフ変換器
• Authors: Jianan Li, Yangtao Zhou, Zhifu Zhao, Qinglan Huang, Jian Qi, Xiao He, Hua Chu, Fu Li,
• Abstract要約: AIベースの医療診断と治療における勧告システムは、医療におけるAIの重要な構成要素である。 まず医療検査勧告のタスクを定式化する。 最初の段階では,タスク適応拡散モデルを用いてレコメンデーション指向の情報を抽出する。 第2段階では、複雑な空間的および時間的関係を同時にモデル化する拡散グラフスフォーマが提案される。
• 参考スコア（独自算出の注目度）: 21.649569475134403
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recommendation systems in AI-based medical diagnostics and treatment constitute a critical component of AI in healthcare. Although some studies have explored this area and made notable progress, healthcare recommendation systems remain in their nascent stage. And these researches mainly target the treatment process such as drug or disease recommendations. In addition to the treatment process, the diagnostic process, particularly determining which medical examinations are necessary to evaluate the condition, also urgently requires intelligent decision support. To bridge this gap, we first formalize the task of medical examination recommendations. Compared to traditional recommendations, the medical examination recommendation involves more complex interactions. This complexity arises from two folds: 1) The historical medical records for examination recommendations are heterogeneous and redundant, which makes the recommendation results susceptible to noise. 2) The correlation between the medical history of patients is often irregular, making it challenging to model spatiotemporal dependencies. Motivated by the above observation, we propose a novel Diffusion-driven SpatioTemporal Graph KANsformer for Medical Examination Recommendation (DST-GKAN) with a two-stage learning paradigm to solve the above challenges. In the first stage, we exploit a task-adaptive diffusion model to distill recommendation-oriented information by reducing the noises in heterogeneous medical data. In the second stage, a spatiotemporal graph KANsformer is proposed to simultaneously model the complex spatial and temporal relationships. Moreover, to facilitate the medical examination recommendation research, we introduce a comprehensive dataset. The experimental results demonstrate the state-of-the-art performance of the proposed method compared to various competitive baselines.
• Abstract（参考訳）: AIベースの医療診断と治療における勧告システムは、医療におけるAIの重要な構成要素である。 この領域を探索し、顕著な進歩を遂げた研究もあるが、医療レコメンデーションシステムはまだ初期段階にある。 これらの研究は主に薬物や疾患の推奨などの治療プロセスをターゲットにしている。 治療プロセスに加えて、診断プロセス、特にその状態を評価するのにどの診察が必要かを判断するためには、緊急にインテリジェントな意思決定支援が必要である。 このギャップを埋めるために、まず医療検査勧告のタスクを定式化する。 従来の勧告と比較すると、診察勧告はより複雑な相互作用を含んでいる。 この複雑さは2つの折り畳みから生じます。 1) 検査勧告の歴史的医療記録は異質で冗長であり, ノイズの影響を受けやすい。 2)患者の医療史の相関は不規則であることが多く,時空間依存のモデル化が困難である。 本研究の目的は,DST-GKAN(Diffusion-driven SpatioTemporal Graph Kansformer for Medical Examination Recommendation, DST-GKAN)を2段階学習パラダイムで提案することである。 まず,タスク適応拡散モデルを用いて,異種医療データのノイズを低減し,レコメンデーション指向の情報を抽出する。 第2段階では、複雑な空間的および時間的関係を同時にモデル化する時空間グラフkansformerを提案する。 さらに,臨床検査推薦研究を促進するために,包括的データセットを導入する。 実験により,提案手法の最先端性能を各種の競争基準と比較した。

関連論文リスト

• Exploring the Inquiry-Diagnosis Relationship with Advanced Patient Simulators [5.217925404425509]
  本稿では,実際の医師と患者との会話から対話戦略を抽出し,患者シミュレータのトレーニングを指導する。 本シミュレータは, 動的対話戦略を用いて, 人為性が高く, 幻覚率も低いことを示す。
  論文  参考訳（メタデータ） (2025-01-16T11:41:14Z)
• Contrastive Learning on Medical Intents for Sequential Prescription Recommendation [7.780844394603662]
  Attentive Recommendation with Contrasted Intents (ARCI) は、異なるが共存する時間的経路を、共通の訪問シーケンスで捉えるように設計されている。 評価基準と分類基準の両方を用いて,2つの実世界のデータセットを処方勧告タスクとして実験した。
  論文  参考訳（メタデータ） (2024-08-13T20:10:28Z)
• Leave No Patient Behind: Enhancing Medication Recommendation for Rare Disease Patients [47.68396964741116]
  本稿では,レアな疾患の正確性を高めるために,ロバストとメディケーションのための高精度勧告(RAREMed)と呼ばれる新しいモデルを提案する。 入力シーケンスを統一したトランスフォーマーエンコーダを使用して、疾患と手続きコードの間の複雑な関係をキャプチャする。 稀な疾患と一般的な疾患の両方に対して正確な薬物セットを提供し、薬の推奨システムにおける不公平を緩和する。
  論文  参考訳（メタデータ） (2024-03-26T14:36:22Z)
• Conditional Generation Net for Medication Recommendation [73.09366442098339]
  医薬推奨は、患者の診断に従って適切な薬セットを提供することを目標としており、これは診療所において重要な課題である。 医薬品群を生成するための新しいコピー・アンド・予測機構を導入した条件生成ネット(COGNet)を提案する。 提案手法を公開MIMICデータセット上で検証し,実験結果から,提案手法が最先端の手法より優れていることを示す。
  論文  参考訳（メタデータ） (2022-02-14T10:16:41Z)
• MIMO: Mutual Integration of Patient Journey and Medical Ontology for Healthcare Representation Learning [49.57261599776167]
  本稿では、医療表現学習と予測分析のための、エンドツーエンドの堅牢なトランスフォーマーベースのソリューション、患者旅行の相互統合、医療オントロジー(MIMO)を提案する。
  論文  参考訳（メタデータ） (2021-07-20T07:04:52Z)
• Semi-Supervised Variational Reasoning for Medical Dialogue Generation [70.838542865384]
  医療対話生成には,患者の状態と医師の行動の2つの重要な特徴がある。 医療対話生成のためのエンドツーエンドの変分推論手法を提案する。 行動分類器と2つの推論検出器から構成される医師政策ネットワークは、拡張推論能力のために提案される。
  論文  参考訳（メタデータ） (2021-05-13T04:14:35Z)
• BiteNet: Bidirectional Temporal Encoder Network to Predict Medical Outcomes [53.163089893876645]
  本稿では,患者の医療旅行におけるコンテキスト依存と時間的関係を捉える,新たな自己注意機構を提案する。 エンド・ツー・エンドの双方向時間エンコーダネットワーク(BiteNet)が患者の旅路の表現を学習する。 実世界のEHRデータセットを用いた2つの教師付き予測と2つの教師なしクラスタリングタスクにおける手法の有効性を評価した。
  論文  参考訳（メタデータ） (2020-09-24T00:42:36Z)

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。