論文の概要: Unlocking Biomedical Insights: Hierarchical Attention Networks for High-Dimensional Data Interpretation

• arxiv url: http://arxiv.org/abs/2510.21820v1
• Date: Tue, 21 Oct 2025 20:08:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-28 15:28:14.541025
• Title: Unlocking Biomedical Insights: Hierarchical Attention Networks for High-Dimensional Data Interpretation
• Title（参考訳）: バイオメディカルインサイト:高次元データ解釈のための階層型アテンションネットワーク
• Authors: Rekha R Nair, Tina Babu, Alavikunhu Panthakkan, Hussain Al-Ahmad, Balamurugan Balusamy,
• Abstract要約: Hierarchical Attention-based Interpretable Network (HAIN) は、多段階の注意機構、次元減少、説明駆動損失関数を統一する新しいアーキテクチャである。 がんゲノムアトラスデータセットの包括的な評価は、HAINが94.3%の分類精度を達成したことを示している。 HAINは生物学的に関連するがんバイオマーカーを効果的に同定し、臨床および研究用途に有用である。
• 参考スコア（独自算出の注目度）: 0.3821469577674901
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The proliferation of high-dimensional datasets in fields such as genomics, healthcare, and finance has created an urgent need for machine learning models that are both highly accurate and inherently interpretable. While traditional deep learning approaches deliver strong predictive performance, their lack of transparency often impedes their deployment in critical, decision-sensitive applications. In this work, we introduce the Hierarchical Attention-based Interpretable Network (HAIN), a novel architecture that unifies multi-level attention mechanisms, dimensionality reduction, and explanation-driven loss functions to deliver interpretable and robust analysis of complex biomedical data. HAIN provides feature-level interpretability via gradientweighted attention and offers global model explanations through prototype-based representations. Comprehensive evaluation on The Cancer Genome Atlas (TCGA) dataset demonstrates that HAIN achieves a classification accuracy of 94.3%, surpassing conventional post-hoc interpretability approaches such as SHAP and LIME in both transparency and explanatory power. Furthermore, HAIN effectively identifies biologically relevant cancer biomarkers, supporting its utility for clinical and research applications. By harmonizing predictive accuracy with interpretability, HAIN advances the development of transparent AI solutions for precision medicine and regulatory compliance.
• Abstract（参考訳）: ゲノム学、医療、金融といった分野における高次元データセットの拡散は、高度に正確かつ本質的に解釈可能な機械学習モデルに対する緊急の必要性を生み出している。 従来のディープラーニングアプローチは強力な予測パフォーマンスを提供するが、透明性の欠如は、クリティカルで決定に敏感なアプリケーションへのデプロイメントを妨げることが多い。 本稿では,多段階の注意機構,次元性低減,説明駆動型損失関数を統一し,複雑なバイオメディカルデータの解釈可能かつ堅牢な解析を行う新しいアーキテクチャである階層型注意型解釈ネットワーク(HAIN)を紹介する。 HAINは、勾配重み付けによる特徴レベルの解釈可能性を提供し、プロトタイプベースの表現によるグローバルモデル説明を提供する。 The Cancer Genome Atlas (TCGA)データセットの包括的評価は、HAINが透明性と説明力の両方においてSHAPやLIMEのような従来のポストホック解釈可能性アプローチを上回る94.3%の分類精度を達成していることを示している。 さらに、HAINは生物学的に関連のあるがんバイオマーカーを効果的に同定し、臨床および研究用途に有用である。 予測精度と解釈可能性を調和させることで、HAINは精密医療と規制コンプライアンスのための透明なAIソリューションの開発を進める。

関連論文リスト

• Interpretable Clinical Classification with Kolgomorov-Arnold Networks [70.72819760172744]
  Kolmogorov-Arnold Networks (KAN) は、透明で象徴的な表現を通じて固有の解釈能力を提供する。 Kansは、組み込みの患者レベルの洞察、直感的な可視化、最寄りの患者の検索をサポートする。 これらの結果は、カンを、臨床医が理解し、監査し、行動できる信頼できるAIへの有望なステップと位置づけている。
  論文  参考訳（メタデータ） (2025-09-20T17:21:58Z)
• Predictive Representativity: Uncovering Racial Bias in AI-based Skin Cancer Detection [0.0]
  本稿では,予測表現性(PR)の概念を紹介する。 PRは、データセットの構成から成果レベルのエクイティへと焦点をシフトします。 解析の結果,皮膚光タイプによる性能の相違が明らかとなった。
  論文  参考訳（メタデータ） (2025-07-10T22:21:06Z)
• Hybrid Interpretable Deep Learning Framework for Skin Cancer Diagnosis: Integrating Radial Basis Function Networks with Explainable AI [1.1049608786515839]
  皮膚がんは世界中で最も流行し、致命的な疾患の1つである。 本稿では,畳み込みニューラルネットワーク(CNN)とラジアル基底関数(RBF)ネットワークを統合するハイブリッドディープラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-01-24T19:19:02Z)
• Analyzing the Effect of $k$-Space Features in MRI Classification Models [0.0]
  医用イメージングに適した説明可能なAI手法を開発した。 我々は、画像領域と周波数領域の両方にわたるMRIスキャンを分析する畳み込みニューラルネットワーク(CNN)を採用している。 このアプローチは、初期のトレーニング効率を高めるだけでなく、追加機能がモデル予測にどのように影響するかの理解を深めます。
  論文  参考訳（メタデータ） (2024-09-20T15:43:26Z)
• Controllable Edge-Type-Specific Interpretation in Multi-Relational Graph Neural Networks for Drug Response Prediction [6.798254568821052]
  本稿では,がん治療薬の反応予測アルゴリズムであるCETExplainerを提案する。 制御可能なエッジタイプ固有の重み付け機構を導入し、予測モデルに対して微細で生物学的に意味のある説明を提供する。 実世界のデータセットに関する実証分析は、CETExplainerが優れた安定性を達成し、主要なアルゴリズムと比較して説明品質を向上させることを示した。
  論文  参考訳（メタデータ） (2024-08-30T09:14:38Z)
• Prospector Heads: Generalized Feature Attribution for Large Models & Data [82.02696069543454]
  本稿では,説明に基づく帰属手法の効率的かつ解釈可能な代替手段であるプロスペクタヘッドを紹介する。 入力データにおけるクラス固有のパターンの解釈と発見を、プロファイラヘッドがいかに改善できるかを実証する。
  論文  参考訳（メタデータ） (2024-02-18T23:01:28Z)
• Evaluating the Fairness of the MIMIC-IV Dataset and a Baseline Algorithm: Application to the ICU Length of Stay Prediction [65.268245109828]
  本稿では、MIMIC-IVデータセットを用いて、滞在時間を予測するXGBoostバイナリ分類モデルにおける公平性とバイアスについて検討する。 この研究は、人口統計属性にわたるデータセットのクラス不均衡を明らかにし、データ前処理と特徴抽出を採用する。 この論文は、偏見を緩和するための公正な機械学習技術と、医療専門家とデータサイエンティストの協力的な努力の必要性について結論付けている。
  論文  参考訳（メタデータ） (2023-12-31T16:01:48Z)
• PathLDM: Text conditioned Latent Diffusion Model for Histopathology [62.970593674481414]
  そこで我々は,高品質な病理像を生成するためのテキスト条件付き遅延拡散モデルPathLDMを紹介した。 提案手法は画像とテキストデータを融合して生成プロセスを強化する。 我々は,TCGA-BRCAデータセット上でのテキスト・ツー・イメージ生成において,SoTA FIDスコア7.64を達成し,FID30.1と最も近いテキスト・コンディショナブル・コンペティタを著しく上回った。
  論文  参考訳（メタデータ） (2023-09-01T22:08:32Z)

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。