論文の概要: Structure-aware Hypergraph Transformer for Diagnosis Prediction in Electronic Health Records
- arxiv url: http://arxiv.org/abs/2508.20500v1
- Date: Thu, 28 Aug 2025 07:37:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-29 18:12:02.155755
- Title: Structure-aware Hypergraph Transformer for Diagnosis Prediction in Electronic Health Records
- Title（参考訳）: 電子カルテの診断予測のための構造対応ハイパーグラフ変換器
- Authors: Haiyan Wang, Ye Yuan,
- Abstract要約: グラフニューラルネットワーク(GNN)は、EMH内の医療コード間の相互作用をモデル化する効果を実証している。
本稿では,3つのアイデアに従う構造対応ハイパーグラフトランス (SHGT) フレームワークを提案する。
実世界のEHRデータセットの実験により、提案されたSHGTは診断予測における既存の最先端モデルよりも優れていることが示された。
- 参考スコア（独自算出の注目度）: 7.359896812163171
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Electronic Health Records (EHR) systematically organize patient health data through standardized medical codes, serving as a comprehensive and invaluable source for predictive modeling. Graph neural networks (GNNs) have demonstrated effectiveness in modeling interactions between medical codes within EHR. However, existing GNN-based methods are inadequate due to: a) their reliance on pairwise relations fails to capture the inherent higher-order dependencies in clinical data, and b) the localized message-passing scheme limits representation power. To address these issues, this paper proposes a novel Structure-aware HyperGraph Transformer (SHGT) framework following three-fold ideas: a) employing a hypergraph structural encoder to capture higher-order interactions among medical codes, b) integrating the Transformer architecture to reason over the entire hypergraph, and c) designing a tailored loss function incorporating hypergraph reconstruction to preserve the hypergraph's original structure. Experiments on real-world EHR datasets demonstrate that the proposed SHGT outperforms existing state-of-the-art models on diagnosis prediction.
- Abstract（参考訳）: EHR(Electronic Health Records)は、標準化された医療コードを通じて患者の健康データを体系的に整理し、予測モデリングのための包括的で貴重な情報源として機能する。
グラフニューラルネットワーク(GNN)は、EMH内の医療コード間の相互作用をモデル化する効果を実証している。
しかし、既存のGNNベースのメソッドは、以下のため不十分である。
a) 対関係への依存は、臨床データに固有の高次依存関係を捉えるのに失敗し、
b) ローカライズされたメッセージパス方式は、表現力を制限する。
これらの課題に対処するために,本研究では,3つのアイデアに従う構造対応ハイパーグラフトランスフォーマ(SHGT)フレームワークを提案する。
a) 医療コード間の高次相互作用を捉えるためにハイパーグラフ構造エンコーダを用いること
b) トランスフォーマーアーキテクチャをハイパーグラフ全体について推論するために統合し、
c) ハイパーグラフの本来の構造を維持するために、ハイパーグラフ再構成を取り入れた調整された損失関数を設計すること。
実世界のEHRデータセットの実験により、提案されたSHGTは診断予測における既存の最先端モデルよりも優れていることが示された。
関連論文リスト
- A Generative Framework for Predictive Modeling of Multiple Chronic Conditions Using Graph Variational Autoencoder and Bandit-Optimized Graph Neural Network [0.0]
複数の慢性疾患(MCC)の出現を予測することは、早期介入とパーソナライズされた医療にとって重要である。
グラフニューラルネットワーク(GNN)は、MCCに見られるような複雑なグラフデータをモデリングするための効果的な手法である。
本稿では,データ分布を利用してグラフ構造を代表的に構築するGNNのための新しい生成フレームワークを提案する。
論文 参考訳（メタデータ） (2024-09-20T17:26:38Z) - Hypergraph Transformer for Semi-Supervised Classification [50.92027313775934]
我々は新しいハイパーグラフ学習フレームワークHyperGraph Transformer(HyperGT)を提案する。
HyperGTはTransformerベースのニューラルネットワークアーキテクチャを使用して、すべてのノードとハイパーエッジのグローバル相関を効果的に検討する。
局所接続パターンを保ちながら、グローバルな相互作用を効果的に組み込むことで、包括的なハイパーグラフ表現学習を実現する。
論文 参考訳（メタデータ） (2023-12-18T17:50:52Z) - From Hypergraph Energy Functions to Hypergraph Neural Networks [94.88564151540459]
パラメータ化されたハイパーグラフ正規化エネルギー関数の表現型族を示す。
次に、これらのエネルギーの最小化がノード埋め込みとして効果的に機能することを実証する。
提案した双レベルハイパーグラフ最適化と既存のGNNアーキテクチャを共通的に用いている。
論文 参考訳（メタデータ） (2023-06-16T04:40:59Z) - Dynamic Graph Enhanced Contrastive Learning for Chest X-ray Report
Generation [92.73584302508907]
コントラスト学習を用いた医療レポート作成を支援するために,動的構造とノードを持つ知識グラフを提案する。
詳しくは、グラフの基本構造は一般知識から事前構築される。
各イメージ機能は、レポート生成のためにデコーダモジュールに入力する前に、独自の更新グラフに統合される。
論文 参考訳（メタデータ） (2023-03-18T03:53:43Z) - Equivariant Hypergraph Diffusion Neural Operators [81.32770440890303]
ハイパーグラフを符号化するためにニューラルネットワークを使用するハイパーグラフニューラルネットワーク(HNN)は、データの高次関係をモデル化する有望な方法を提供する。
本研究ではED-HNNと呼ばれる新しいHNNアーキテクチャを提案する。
実世界の9つのハイパーグラフデータセットのノード分類におけるED-HNNの評価を行った。
論文 参考訳（メタデータ） (2022-07-14T06:17:00Z) - Attributed Abnormality Graph Embedding for Clinically Accurate X-Ray
Report Generation [7.118069629513661]
我々は、属性異常グラフ(ATAG)と呼ばれる、新しい微粒化知識グラフ構造を導入する。
ATAGは相互接続された異常ノードと属性ノードで構成されており、異常の詳細をより正確に把握することができる。
提案したATAG-based Deep ModelはSOTA法よりも大きなマージンで優れており, 得られた報告の臨床的精度を向上させることができる。
論文 参考訳（メタデータ） (2022-07-04T05:32:00Z)
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。