論文の概要: Bayesian Hybrid Machine Learning of Gallstone Risk

• arxiv url: http://arxiv.org/abs/2506.14561v1
• Date: Tue, 17 Jun 2025 14:19:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-18 17:34:59.511846
• Title: Bayesian Hybrid Machine Learning of Gallstone Risk
• Title（参考訳）: ギャルストーンリスクのベイジアンハイブリッド機械学習
• Authors: Chitradipa Chakraborty, Nayana Mukherjee,
• Abstract要約: ギャルストーン病(Gallstone disease)は、世界的な健康上の重荷を負う複雑な多因子疾患である。 本稿では,ロバストな変数選択と高度な相互作用検出を統合したハイブリッド機械学習フレームワークを提案する。 この枠組みは, 予測を向上するだけでなく, 医療研究や意思決定に有用な支援ツールとして, 実用的な洞察も得られる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Gallstone disease is a complex, multifactorial condition with significant global health burdens. Identifying underlying risk factors and their interactions is crucial for early diagnosis, targeted prevention, and effective clinical management. Although logistic regression remains a standard tool for assessing associations between predictors and gallstone status, it often underperforms in high-dimensional settings and may fail to capture intricate relationships among variables. To address these limitations, we propose a hybrid machine learning framework that integrates robust variable selection with advanced interaction detection. Specifically, Adaptive LASSO is employed to identify a sparse and interpretable subset of influential features, followed by Bayesian Additive Regression Trees (BART) to model nonlinear effects and uncover key interactions. Selected interactions are further characterized by physiological knowledge through differential equation-informed interaction terms, grounding the model in biologically plausible mechanisms. The insights gained from these steps are then integrated into a final logistic regression model within a Bayesian framework, providing a balance between predictive accuracy and clinical interpretability. This proposed framework not only enhances prediction but also yields actionable insights, offering a valuable support tool for medical research and decision-making.
• Abstract（参考訳）: ギャルストーン病(Gallstone disease)は、世界的な健康上の重荷を負う複雑な多因子疾患である。 リスク要因とその相互作用の同定は早期診断、標的予防、効果的な臨床管理に不可欠である。 ロジスティック回帰は、予測器と胆石状態の関連性を評価する標準的なツールであり続けているが、高次元設定ではしばしば性能が低下し、変数間の複雑な関係を捉えることができない。 これらの制約に対処するために,ロバストな変数選択と高度な相互作用検出を統合したハイブリッド機械学習フレームワークを提案する。 特に、Adaptive LASSOは、影響のある特徴のスパースかつ解釈可能なサブセットを特定するために使用され、次いで非線形効果をモデル化し、鍵相互作用を明らかにするためにベイズ加法回帰木(BART)が続く。 選択された相互作用は、微分方程式にインフォームドされた相互作用の項を通じて生理的知識によってさらに特徴づけられ、生物学的に妥当なメカニズムのモデルの基礎となる。 これらのステップから得られた洞察は、ベイズフレームワーク内の最終的なロジスティック回帰モデルに統合され、予測精度と臨床解釈可能性のバランスを与える。 この枠組みは, 予測を向上するだけでなく, 医療研究や意思決定に有用な支援ツールとして, 実用的な洞察も得られる。

関連論文リスト

• A Symbolic and Statistical Learning Framework to Discover Bioprocessing Regulatory Mechanism: Cell Culture Example [2.325005809983534]
  本稿では,重要な規制機構を特定し,不確実性をモデル化するための記号的,統計的学習フレームワークを提案する。 後部探査のための随伴感度解析を用いたメトロポリス調整ランゲヴィンアルゴリズムを開発した。 実証的研究は、不足する規制機構を回復し、データ制限条件下でのモデル忠実性を改善する能力を示す。
  論文  参考訳（メタデータ） (2025-05-06T04:39:34Z)
• Statistical Learning for Heterogeneous Treatment Effects: Pretraining, Prognosis, and Prediction [40.96453902709292]
  実世界の応用における現象を利用した事前学習戦略を提案する。 医学では、同じ生物学的シグナル伝達経路の成分は、ベースラインリスクと治療反応の両方に頻繁に影響を及ぼす。 この構造を用いて、リスク予測と因果効果推定の相乗効果を利用するモデルを開発する。
  論文  参考訳（メタデータ） (2025-05-01T05:12:14Z)
• Integrating Probabilistic Trees and Causal Networks for Clinical and Epidemiological Data [18.539194412343104]
  本研究では,確率因果核融合(PCF)フレームワークを紹介する。 PCFはCausal Bayesian Networks (CBN)とProbability Trees (PTrees)を統合し、予測を超えて拡張する。 3つの現実世界の医療データセットで検証された。
  論文  参考訳（メタデータ） (2025-01-27T11:34:19Z)
• Causal Representation Learning from Multimodal Biomedical Observations [57.00712157758845]
  バイオメディカルデータセットの理解を容易にするために,マルチモーダルデータに対するフレキシブルな識別条件と原理的手法を開発した。 主要な理論的貢献は、モジュラリティ間の因果関係の構造的空間性である。 実世界のヒト表現型データセットの結果は、確立された生物医学研究と一致している。
  論文  参考訳（メタデータ） (2024-11-10T16:40:27Z)
• 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)
• Differentiable Agent-based Epidemiology [71.81552021144589]
  GradABM(GradABM)は、エージェントベースのモデリングのためのスケーラブルで微分可能な設計で、勾配に基づく学習と自動微分が可能である。 GradABMは、コモディティハードウェア上で数秒で数百万の人口をシミュレートし、ディープニューラルネットワークと統合し、異種データソースを取り込みます。
  論文  参考訳（メタデータ） (2022-07-20T07:32:02Z)
• Tree-Guided Rare Feature Selection and Logic Aggregation with Electronic Health Records Data [7.422597776308963]
  希少な二項特徴を持つ大規模回帰のための木誘導的特徴選択と論理集約手法を提案する。 EHRデータを用いた自殺リスクスタディでは、我々のアプローチは、以前のメンタルヘルス診断を選択して集約することができる。
  論文  参考訳（メタデータ） (2022-06-18T03:52:43Z)
• Benchmarking Heterogeneous Treatment Effect Models through the Lens of Interpretability [82.29775890542967]
  治療のパーソナライズされた効果を見積もるのは複雑だが、普及している問題である。 ヘテロジニアス処理効果推定に関する機械学習文献の最近の進歩は、洗練されたが不透明なツールの多くを生み出した。 我々は、ポストホックな特徴重要度法を用いて、モデルの予測に影響を及ぼす特徴を特定する。
  論文  参考訳（メタデータ） (2022-06-16T17:59:05Z)

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。