論文の概要: Diffmv: A Unified Diffusion Framework for Healthcare Predictions with Random Missing Views and View Laziness

• arxiv url: http://arxiv.org/abs/2505.11802v1
• Date: Sat, 17 May 2025 03:15:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-20 14:57:10.855498
• Title: Diffmv: A Unified Diffusion Framework for Healthcare Predictions with Random Missing Views and View Laziness
• Title（参考訳）: A Unified Diffusion Framework for Healthcare Predictions with Random Missing Views and View Laziness
• Authors: Chuang Zhao, Hui Tang, Hongke Zhao, Xiaomeng Li,
• Abstract要約: 我々は、EHRデータの複数ビューの活用を促進するために設計された、革新的な拡散に基づく生成フレームワークであるDiffmvを紹介する。 具体的には、ランダムに欠落するビューに対処するため、EHRデータの様々なビューを統合拡散デノゲーションフレームワークに統合する。 本稿では,各ビューの相対的優位性を評価し,モデル内の様々なデータビューのバランスよく活用する手法を提案する。
• 参考スコア（独自算出の注目度）: 19.729388432535142
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Advanced healthcare predictions offer significant improvements in patient outcomes by leveraging predictive analytics. Existing works primarily utilize various views of Electronic Health Record (EHR) data, such as diagnoses, lab tests, or clinical notes, for model training. These methods typically assume the availability of complete EHR views and that the designed model could fully leverage the potential of each view. However, in practice, random missing views and view laziness present two significant challenges that hinder further improvements in multi-view utilization. To address these challenges, we introduce Diffmv, an innovative diffusion-based generative framework designed to advance the exploitation of multiple views of EHR data. Specifically, to address random missing views, we integrate various views of EHR data into a unified diffusion-denoising framework, enriched with diverse contextual conditions to facilitate progressive alignment and view transformation. To mitigate view laziness, we propose a novel reweighting strategy that assesses the relative advantages of each view, promoting a balanced utilization of various data views within the model. Our proposed strategy achieves superior performance across multiple health prediction tasks derived from three popular datasets, including multi-view and multi-modality scenarios.
• Abstract（参考訳）: 高度な医療予測は、予測分析を活用することで、患者の結果に大きな改善をもたらす。 既存の研究は主に、診断、検査、臨床ノートなどの電子健康記録(EHR)データをモデルトレーニングに活用している。 これらの手法は通常、完全なEHRビューが利用可能であり、設計されたモデルが各ビューのポテンシャルを完全に活用できると仮定する。 しかし、実際には、ランダムなビュー不足とビュー遅延は、マルチビュー利用のさらなる改善を妨げる2つの重要な課題を提示している。 これらの課題に対処するために、EHRデータの複数ビューの活用を促進するために設計された、革新的な拡散に基づく生成フレームワークであるDiffmvを紹介する。 具体的には、ランダムな無作為な視点に対処するため、段階的なアライメントとビュー変換を促進するために、多種多様な文脈条件に富み、EHRデータの様々なビューを統合拡散化フレームワークに統合する。 そこで本研究では,各ビューの相対的優位性を評価し,モデル内の様々なデータビューのバランスよく活用する手法を提案する。 提案手法は,多視点・多モードシナリオを含む3つの一般的なデータセットから得られた複数の健康予測タスクにおいて,優れた性能を実現する。

関連論文リスト

• Visual Data Diagnosis and Debiasing with Concept Graphs [50.84781894621378]
  視覚データセットにおける概念共起バイアスの診断と緩和のためのフレームワークであるConBiasを提案する。 このような不均衡を緩和し,下流タスクの性能向上につながることを示す。
  論文  参考訳（メタデータ） (2024-09-26T16:59:01Z)
• A Unified Model for Longitudinal Multi-Modal Multi-View Prediction with Missingness [25.95298616599799]
  本稿では,長手マルチモーダルマルチビュー予測のための統一モデルを提案する。 提案手法は,入力に希望する時間ポイントを最大で確保し,利用可能なデータをすべて活用することを目的としている。 変形性膝関節症とKellgren-Lawrenceグレード予測による膝関節症データセットに関する広範な実験を行った。
  論文  参考訳（メタデータ） (2024-03-18T19:51:55Z)
• MPRE: Multi-perspective Patient Representation Extractor for Disease Prediction [3.914545513460964]
  疾患予測のための多視点患者表現エクストラクタ(MPRE)を提案する。 具体的には、動的特徴の傾向と変動情報を抽出する周波数変換モジュール(FTM)を提案する。 2D Multi-Extraction Network (2D MEN) において、傾向と変動に基づいて2次元時間テンソルを形成する。 また,FODAM(First-Order difference Attention Mechanism)も提案する。
  論文  参考訳（メタデータ） (2024-01-01T13:52:05Z)
• Progressive Multi-view Human Mesh Recovery with Self-Supervision [68.60019434498703]
  既存のソリューションは通常、新しい設定への一般化性能の低下に悩まされる。 マルチビューヒューマンメッシュリカバリのためのシミュレーションに基づく新しいトレーニングパイプラインを提案する。
  論文  参考訳（メタデータ） (2022-12-10T06:28:29Z)
• Multi-Domain Balanced Sampling Improves Out-of-Distribution Generalization of Chest X-ray Pathology Prediction Models [67.2867506736665]
  そこで本研究では, 簡単なバッチサンプリング手法を用いた胸部X線像の分布外一般化法を提案する。 複数のトレーニングデータセット間のバランスの取れたサンプリングは、バランスを取らずにトレーニングされたベースラインモデルよりもパフォーマンスが向上する。
  論文  参考訳（メタデータ） (2021-12-27T15:28:01Z)
• Deep EHR Spotlight: a Framework and Mechanism to Highlight Events in Electronic Health Records for Explainable Predictions [0.9176056742068812]
  ディープラーニング技術は、EHRを用いた予測分析タスクのパフォーマンスを実証している。 EHRは非均質でマルチモーダルなデータポイントを含み、可視化と解釈性を妨げる。 本稿では,1) EHR から画像への患者経路のエンコード,2) 経路画像内の重要な事象の強調,3) より複雑な予測を可能にするためのディープラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-03-25T22:30:14Z)
• Deep Co-Attention Network for Multi-View Subspace Learning [73.3450258002607]
  マルチビューサブスペース学習のための深層コアテンションネットワークを提案する。 共通情報と相補情報の両方を敵意で抽出することを目的としている。 特に、新しいクロス再構成損失を使用し、ラベル情報を利用して潜在表現の構築を誘導する。
  論文  参考訳（メタデータ） (2021-02-15T18:46:44Z)
• A Variational Information Bottleneck Approach to Multi-Omics Data Integration [98.6475134630792]
  本稿では,不完全な多視点観測のための深い変動情報ボトルネック (IB) 手法を提案する。 本手法は,対象物に関連のある視点内および視点間相互作用に焦点をあてるために,観測された視点の辺縁および結合表現にISBフレームワークを適用した。 実世界のデータセットの実験から、我々の手法はデータ統合から常に利益を得て、最先端のベンチマークより優れています。
  論文  参考訳（メタデータ） (2021-02-05T06:05:39Z)

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。