論文の概要: Causal Debiasing Medical Multimodal Representation Learning with Missing Modalities

• arxiv url: http://arxiv.org/abs/2509.05615v1
• Date: Sat, 06 Sep 2025 06:27:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-09 14:07:03.613733
• Title: Causal Debiasing Medical Multimodal Representation Learning with Missing Modalities
• Title（参考訳）: モダリティの欠如による医療マルチモーダル表現学習の因果的嫌悪
• Authors: Xiaoguang Zhu, Lianlong Sun, Yang Liu, Pengyi Jiang, Uma Srivatsa, Nipavan Chiamvimonvat, Vladimir Filkov,
• Abstract要約: 現実の医療データセットは、コスト、プロトコル、患者固有の制約によって、しばしばモダリティの欠如に悩まされる。 本手法は,(1) バックドア調整に基づく因果介入を近似する欠如解離モジュール,(2) 因果関係から因果関係を明示的に解離する二重分岐ニューラルネットワークの2つの重要な構成要素から構成される。
• 参考スコア（独自算出の注目度）: 6.02318066285653
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Medical multimodal representation learning aims to integrate heterogeneous clinical data into unified patient representations to support predictive modeling, which remains an essential yet challenging task in the medical data mining community. However, real-world medical datasets often suffer from missing modalities due to cost, protocol, or patient-specific constraints. Existing methods primarily address this issue by learning from the available observations in either the raw data space or feature space, but typically neglect the underlying bias introduced by the data acquisition process itself. In this work, we identify two types of biases that hinder model generalization: missingness bias, which results from non-random patterns in modality availability, and distribution bias, which arises from latent confounders that influence both observed features and outcomes. To address these challenges, we perform a structural causal analysis of the data-generating process and propose a unified framework that is compatible with existing direct prediction-based multimodal learning methods. Our method consists of two key components: (1) a missingness deconfounding module that approximates causal intervention based on backdoor adjustment and (2) a dual-branch neural network that explicitly disentangles causal features from spurious correlations. We evaluated our method in real-world public and in-hospital datasets, demonstrating its effectiveness and causal insights.
• Abstract（参考訳）: 医用マルチモーダル表現学習は、医療データマイニングコミュニティにおいて不可欠な課題でありながら、予測モデリングをサポートするために、異種の臨床データを統合された患者表現に統合することを目的としている。 しかし、現実の医療データセットは、コスト、プロトコル、患者固有の制約のために、しばしばモダリティの欠如に悩まされる。 既存の手法は、生のデータ空間または特徴空間で利用可能な観測結果から学習することでこの問題に対処するが、典型的には、データ取得プロセス自体によってもたらされる根底にあるバイアスを無視する。 本研究では,モデル一般化を妨げる2種類のバイアス,すなわちモダリティアベイラビリティにおける非ランダムパターンから生じる欠落バイアスと,観察された特徴と結果の両方に影響を与える潜在的共同設立者から生じる分布バイアスを同定する。 これらの課題に対処するため、データ生成プロセスの構造因果解析を行い、既存の直接予測に基づくマルチモーダル学習手法と互換性のある統合フレームワークを提案する。 本手法は,(1) バックドア調整に基づく因果介入を近似する欠如解離モジュール,(2) 因果関係から因果関係を明示的に解離する二重分岐ニューラルネットワークの2つの重要な構成要素から構成される。 本手法の有効性と因果的洞察を実証し,実世界の公的なデータセットとホスピタル的データセットで評価した。

関連論文リスト

• Incomplete Modality Disentangled Representation for Ophthalmic Disease Grading and Diagnosis [16.95583564875497]
  本稿では,不完全なモダリティ・ディアンタングル表現(IMDR)戦略を提案する。 4つのマルチモーダルデータセットの実験により、提案したIMDRが最先端の手法を大幅に上回ることを示した。
  論文  参考訳（メタデータ） (2025-02-17T12:10:35Z)
• Towards a Transportable Causal Network Model Based on Observational Healthcare Data [1.333879175460266]
  本稿では,選択図,不足グラフ,因果発見,事前知識を1つのグラフィカルモデルに組み合わせた新しい手法を提案する。 このモデルは、患者の2つの異なるコホートからなるデータから学習する。 結果として得られた因果ネットワークモデルは、リスク評価、正確性、説明可能性の観点から専門家臨床医によって検証される。
  論文  参考訳（メタデータ） (2023-11-13T13:23:31Z)
• Nonparametric Identifiability of Causal Representations from Unknown Interventions [63.1354734978244]
  本研究では, 因果表現学習, 潜伏因果変数を推定するタスク, およびそれらの変数の混合から因果関係を考察する。 我々のゴールは、根底にある真理潜入者とその因果グラフの両方を、介入データから解決不可能なあいまいさの集合まで識別することである。
  論文  参考訳（メタデータ） (2023-06-01T10:51:58Z)
• Bayesian Models of Functional Connectomics and Behavior [0.0]
  共同表現学習と予測のための完全ベイズ的定式化を提案する。 自閉症スペクトラム障害患者に対するr-fMRIの有用性について検討した。
  論文  参考訳（メタデータ） (2023-01-15T20:42:31Z)
• Causal Inference via Nonlinear Variable Decorrelation for Healthcare Applications [60.26261850082012]
  線形および非線形共振の両方を扱う可変デコリレーション正規化器を用いた新しい手法を提案する。 我々は、モデル解釈可能性を高めるために、元の特徴に基づくアソシエーションルールマイニングを用いた新しい表現として、アソシエーションルールを採用する。
  論文  参考訳（メタデータ） (2022-09-29T17:44:14Z)
• Causality-Based Multivariate Time Series Anomaly Detection [63.799474860969156]
  我々は、因果的観点から異常検出問題を定式化し、多変量データを生成するための通常の因果的メカニズムに従わない事例として、異常を考察する。 次に、まずデータから因果構造を学習し、次に、あるインスタンスが局所因果機構に対して異常であるかどうかを推定する因果検出手法を提案する。 我々は、実世界のAIOpsアプリケーションに関するケーススタディと同様に、シミュレートされたデータセットとパブリックなデータセットの両方を用いて、私たちのアプローチを評価します。
  論文  参考訳（メタデータ） (2022-06-30T06:00:13Z)
• MIMO: Mutual Integration of Patient Journey and Medical Ontology for Healthcare Representation Learning [49.57261599776167]
  本稿では、医療表現学習と予測分析のための、エンドツーエンドの堅牢なトランスフォーマーベースのソリューション、患者旅行の相互統合、医療オントロジー(MIMO)を提案する。
  論文  参考訳（メタデータ） (2021-07-20T07:04:52Z)
• Harmonization with Flow-based Causal Inference [12.739380441313022]
  本稿では, 医療データを調和させる構造因果モデル (SCM) に対して, 反実的推論を行う正規化フローに基づく手法を提案する。 我々は,この手法が最先端のアルゴリズムよりもドメイン間一般化に寄与することを示すために,複数の,大規模な実世界の医療データセットを評価した。
  論文  参考訳（メタデータ） (2021-06-12T19:57:35Z)
• Adversarial Sample Enhanced Domain Adaptation: A Case Study on Predictive Modeling with Electronic Health Records [57.75125067744978]
  ドメイン適応を容易にするデータ拡張手法を提案する。 逆生成したサンプルはドメイン適応時に使用される。 その結果,本手法の有効性とタスクの一般性が確認された。
  論文  参考訳（メタデータ） (2021-01-13T03:20:20Z)

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。