論文の概要: Atherosclerosis through Hierarchical Explainable Neural Network Analysis

• arxiv url: http://arxiv.org/abs/2507.07373v1
• Date: Thu, 10 Jul 2025 01:51:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-11 16:40:15.248008
• Title: Atherosclerosis through Hierarchical Explainable Neural Network Analysis
• Title（参考訳）: 階層的説明可能なニューラルネットワーク解析による動脈硬化
• Authors: Irsyad Adam, Steven Swee, Erika Yilin, Ethan Ji, William Speier, Dean Wang, Alex Bui, Wei Wang, Karol Watson, Peipei Ping,
• Abstract要約: 我々は,コホートの文脈における臨床特徴と,個々の患者特有の分子データという,患者の2つの特徴を生かした階層型グラフニューラルネットワークフレームワークを開発した。 ATHENAは、説明可能なAI(XAI)によるサブネットワーククラスタリングを通じて、機械的にインフォームドされた患者サブタイプの発見を可能にする。
• 参考スコア（独自算出の注目度）: 4.695531451200501
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: In this work, we study the problem pertaining to personalized classification of subclinical atherosclerosis by developing a hierarchical graph neural network framework to leverage two characteristic modalities of a patient: clinical features within the context of the cohort, and molecular data unique to individual patients. Current graph-based methods for disease classification detect patient-specific molecular fingerprints, but lack consistency and comprehension regarding cohort-wide features, which are an essential requirement for understanding pathogenic phenotypes across diverse atherosclerotic trajectories. Furthermore, understanding patient subtypes often considers clinical feature similarity in isolation, without integration of shared pathogenic interdependencies among patients. To address these challenges, we introduce ATHENA: Atherosclerosis Through Hierarchical Explainable Neural Network Analysis, which constructs a novel hierarchical network representation through integrated modality learning; subsequently, it optimizes learned patient-specific molecular fingerprints that reflect individual omics data, enforcing consistency with cohort-wide patterns. With a primary clinical dataset of 391 patients, we demonstrate that this heterogeneous alignment of clinical features with molecular interaction patterns has significantly boosted subclinical atherosclerosis classification performance across various baselines by up to 13% in area under the receiver operating curve (AUC) and 20% in F1 score. Taken together, ATHENA enables mechanistically-informed patient subtype discovery through explainable AI (XAI)-driven subnetwork clustering; this novel integration framework strengthens personalized intervention strategies, thereby improving the prediction of atherosclerotic disease progression and management of their clinical actionable outcomes.
• Abstract（参考訳）: 本研究では,患者の2つの特徴的特徴を生かした階層型グラフ・ニューラルネットワーク・フレームワークを開発することにより,脳動脈硬化のパーソナライズされた分類に関する問題点を考察する。 疾患分類のための現在のグラフベースの手法は、患者固有の分子指紋を検出するが、様々な動脈硬化性軌跡の病原性表現型を理解するための必須要件である、コホート全体の特徴に関する一貫性と理解が欠如している。 さらに、患者サブタイプを理解することは、患者間での病原性相互依存性の共有を伴わずに、孤立して臨床特徴の類似性を考慮することが多い。 これらの課題に対処するために、AtheNA: Atherosclerosis Through Hierarchical Explainable Neural Network Analysisを導入し、統合モダリティ学習を通して新しい階層型ネットワーク表現を構築する。 初回臨床データセット391例を用いて, 分子間相互作用パターンによる臨床像の不均一なアライメントは, 各種塩基性動脈硬化の分類性能を, 受信操作曲線(AUC)以下の領域で最大13%, F1スコアで20%向上させることを示した。 この新たな統合フレームワークは、パーソナライズされた介入戦略を強化し、動脈硬化性疾患の進行予測と臨床作用可能な結果の管理を改善する。

関連論文リスト

• Adaptable Cardiovascular Disease Risk Prediction from Heterogeneous Data using Large Language Models [70.64969663547703]
  AdaCVDは、英国バイオバンクから50万人以上の参加者を対象に、大規模な言語モデルに基づいて構築された適応可能なCVDリスク予測フレームワークである。 包括的かつ可変的な患者情報を柔軟に取り込み、構造化データと非構造化テキストの両方をシームレスに統合し、最小限の追加データを使用して新規患者の集団に迅速に適応する。
  論文  参考訳（メタデータ） (2025-05-30T14:42:02Z)
• MIRROR: Multi-Modal Pathological Self-Supervised Representation Learning via Modality Alignment and Retention [52.106879463828044]
  病理組織学と転写学は、腫瘍学の基本的なモダリティであり、疾患の形態学的および分子的側面を包含している。 モーダルアライメントと保持を両立させる新しいマルチモーダル表現学習法であるMIRRORを提案する。 がんの亜型化と生存分析のためのTCGAコホートに関する広範囲な評価は,MIRRORの優れた性能を浮き彫りにしている。
  論文  参考訳（メタデータ） (2025-03-01T07:02:30Z)
• Evaluating the Predictive Features of Person-Centric Knowledge Graph Embeddings: Unfolding Ablation Studies [0.757843972001219]
  そこで本研究では,MIMIC-IIIデータセットから得られた構造化情報と非構造化情報を用いて学習したGNNモデルの結果を体系的に検証する手法を提案する。 本研究は,PKGにおける読み出し予測の課題に対する予測的特徴の同定におけるこのアプローチの堅牢性を示す。
  論文  参考訳（メタデータ） (2024-08-27T09:48:25Z)
• Clustering of Disease Trajectories with Explainable Machine Learning: A Case Study on Postoperative Delirium Phenotypes [13.135589459700865]
  本稿では,パーソナライズされたPODリスク予測のための教師付き機械学習と,潜在的POD表現型を明らかにするための教師なしクラスタリング技術を組み合わせたアプローチを提案する。 SHAPの特徴空間におけるクラスタリング患者は,真の表現型を回復し,生の特徴空間におけるクラスタリングに優れることを示した。
  論文  参考訳（メタデータ） (2024-05-06T10:05:46Z)
• A Transformer-based representation-learning model with unified processing of multimodal input for clinical diagnostics [63.106382317917344]
  本稿では,マルチモーダル入力を統一的に処理する臨床診断支援として,トランスフォーマーを用いた表現学習モデルについて報告する。 統一モデルは, 肺疾患の同定において, 画像のみのモデル, 非統一型マルチモーダル診断モデルより優れていた。
  論文  参考訳（メタデータ） (2023-06-01T16:23:47Z)
• Pathology Steered Stratification Network for Subtype Identification in Alzheimer's Disease [7.594681424335177]
  アルツハイマー病(英: Alzheimers disease、AD)は、β-アミロイド、病理学的タウ、神経変性を特徴とする異種多時性神経変性疾患である。 本稿では,AD病理学に確立されたドメイン知識を反応拡散モデルにより組み込んだ新しい病理組織形成ネットワーク(PSSN)を提案する。
  論文  参考訳（メタデータ） (2022-10-12T02:52:00Z)
• 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)
• Deep Representation Learning of Electronic Health Records to Unlock Patient Stratification at Scale [0.5498849973527224]
  ヘテロジニアスEHRを処理するためのディープラーニングに基づく教師なしフレームワークを提案する。 患者層形成を効果的かつ効果的に行うことができる患者表現を導出する。
  論文  参考訳（メタデータ） (2020-03-14T00:04:20Z)
• 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。