論文の概要: Bi-Axial Transformers: Addressing the Increasing Complexity of EHR Classification

• arxiv url: http://arxiv.org/abs/2508.12418v1
• Date: Sun, 17 Aug 2025 16:04:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-19 14:49:10.759795
• Title: Bi-Axial Transformers: Addressing the Increasing Complexity of EHR Classification
• Title（参考訳）: 両軸変換器: EHR分類の複雑さの増大に対処する
• Authors: Rachael DeVries, Casper Christensen, Marie Lisandra Zepeda Mendoza, Ole Winther,
• Abstract要約: 本稿では,よりリッチなデータ関係を学習するために,ERHデータの臨床的変数と時間軸の両方に対応するバイ軸変換器(BAT)を提案する。 BATは、セシス予測における最先端のパフォーマンスを達成し、死亡率分類の上位手法と競合する。
• 参考スコア（独自算出の注目度）: 6.345037597566314
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Electronic Health Records (EHRs), the digital representation of a patient's medical history, are a valuable resource for epidemiological and clinical research. They are also becoming increasingly complex, with recent trends indicating larger datasets, longer time series, and multi-modal integrations. Transformers, which have rapidly gained popularity due to their success in natural language processing and other domains, are well-suited to address these challenges due to their ability to model long-range dependencies and process data in parallel. But their application to EHR classification remains limited by data representations, which can reduce performance or fail to capture informative missingness. In this paper, we present the Bi-Axial Transformer (BAT), which attends to both the clinical variable and time point axes of EHR data to learn richer data relationships and address the difficulties of data sparsity. BAT achieves state-of-the-art performance on sepsis prediction and is competitive to top methods for mortality classification. In comparison to other transformers, BAT demonstrates increased robustness to data missingness, and learns unique sensor embeddings which can be used in transfer learning. Baseline models, which were previously located across multiple repositories or utilized deprecated libraries, were re-implemented with PyTorch and made available for reproduction and future benchmarking.
• Abstract（参考訳）: 電子健康記録(Electronic Health Records, EHRs)は、患者の医療史のデジタル表現であり、疫学および臨床研究に有用な資料である。 最近のトレンドは、より大きなデータセット、長い時系列、マルチモーダル統合を示している。 自然言語処理やその他のドメインの成功により急速に普及したトランスフォーマーは、長距離依存をモデル化し、データを並列に処理する能力のため、これらの課題に対処するのに適している。 しかし、彼らのEHR分類への応用は、データ表現によって制限されているため、パフォーマンスが低下したり、情報不足を捉えるのに失敗する可能性がある。 本稿では,よりリッチなデータ関係を学習し,データ空間の難易度に対処するために,ERHデータの臨床的変数と時間軸の両方に対応するバイ軸変換器(BAT)を提案する。 BATは、セシス予測における最先端のパフォーマンスを達成し、死亡率分類の上位手法と競合する。 他の変換器と比較して、BATはデータ不足に対する堅牢性の向上を示し、トランスファーラーニングで使用できる独自のセンサー埋め込みを学習する。 ベースラインモデルは、以前は複数のリポジトリにまたがっていたり、非推奨のライブラリを使用していたが、PyTorchで再実装され、再生と将来のベンチマークが可能になった。

関連論文リスト

• impuTMAE: Multi-modal Transformer with Masked Pre-training for Missing Modalities Imputation in Cancer Survival Prediction [75.43342771863837]
  我々は,効率的なマルチモーダル事前学習戦略を備えた新しいトランスフォーマーに基づくエンドツーエンドアプローチである impuTMAE を紹介する。 マスクされたパッチを再構築することで、モダリティの欠如を同時に示唆しながら、モダリティ間の相互作用とモダリティ内相互作用を学習する。 本モデルは,TGA-GBM/LGGとBraTSデータセットを用いたグリオーマ生存予測のために,異種不完全データに基づいて事前訓練を行った。
  論文  参考訳（メタデータ） (2025-08-08T10:01:16Z)
• CAAT-EHR: Cross-Attentional Autoregressive Transformer for Multimodal Electronic Health Record Embeddings [0.0]
  本稿では,タスク非依存の縦埋め込みを生のEHRデータから生成する新しいアーキテクチャであるCAAT-EHRを紹介する。 自己回帰デコーダは、事前訓練中に将来の時刻データを予測してエンコーダを補完し、その結果の埋め込みが時間的整合性と整合性を維持する。
  論文  参考訳（メタデータ） (2025-01-31T05:00:02Z)
• Amplifying Pathological Detection in EEG Signaling Pathways through Cross-Dataset Transfer Learning [10.212217551908525]
  実世界の病理分類課題におけるデータとモデルスケーリングとデータセット間の知識伝達の有効性について検討する。 ネガティブトランスファーの可能性の課題を特定し、いくつかの重要なコンポーネントの重要性を強調する。 以上の結果から,小規模で汎用的なモデル(ShallowNetなど)は単一データセット上では良好に動作するが,大規模なモデル(TCNなど)では,大規模かつ多様なデータセットからの転送や学習がより優れていることが示唆された。
  論文  参考訳（メタデータ） (2023-09-19T20:09:15Z)
• 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)
• Label scarcity in biomedicine: Data-rich latent factor discovery enhances phenotype prediction [102.23901690661916]
  低次元の埋め込み空間は、健康指標、ライフスタイル、および人口動態の予測をデータスカース化するために、英国バイオバンクの人口データセットから導出することができる。 半超越的アプローチによるパフォーマンス向上は、おそらく様々な医学データサイエンス応用にとって重要な要素となるだろう。
  論文  参考訳（メタデータ） (2021-10-12T16:25:50Z)
• Sequential Diagnosis Prediction with Transformer and Ontological Representation [35.88195694025553]
  本稿では,患者が訪問する時間スタンプと滞在時間との間に不規則な間隔を対応させるSETORと呼ばれる,エンドツーエンドの頑健なトランスフォーマーモデルを提案する。 2つの実世界の医療データセットで実施された実験により、シーケンシャルな診断予測モデルSETORは、従来の最先端のアプローチよりも優れた予測結果が得られることが示された。
  論文  参考訳（メタデータ） (2021-09-07T13:09:55Z)
• Transformer Networks for Data Augmentation of Human Physical Activity Recognition [61.303828551910634]
  Recurrent Generative Adrial Networks (RGAN)のような最先端技術モデルは、リアルな合成データを生成するために使用される。 本稿では,データにグローバルな注意を払っているトランスフォーマーベースの生成敵ネットワークを,PAMAP2とリアルワールドヒューマンアクティビティ認識データセットでRGANと比較する。
  論文  参考訳（メタデータ） (2021-09-02T16:47:29Z)
• Categorical EHR Imputation with Generative Adversarial Nets [11.171712535005357]
  本稿では,データ計算のためのGANに関する従来の研究を基にした,シンプルで効果的な手法を提案する。 従来のデータ計算手法に比べて予測精度が大幅に向上していることを示す。
  論文  参考訳（メタデータ） (2021-08-03T18:50:26Z)
• Bootstrapping Your Own Positive Sample: Contrastive Learning With Electronic Health Record Data [62.29031007761901]
  本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。 EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。 私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
  論文  参考訳（メタデータ） (2021-04-07T06:02:04Z)

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。