Fugu-MT 論文翻訳(概要): APC-GNN++: An Adaptive Patient-Centric GNN with Context-Aware Attention and Mini-Graph Explainability for Diabetes Classification

論文の概要: APC-GNN++: An Adaptive Patient-Centric GNN with Context-Aware Attention and Mini-Graph Explainability for Diabetes Classification

arxiv url: http://arxiv.org/abs/2512.18473v1
Date: Sat, 20 Dec 2025 19:12:45 GMT
ステータス: 翻訳完了
システム内更新日: 2025-12-23 18:54:32.354881
Title: APC-GNN++: An Adaptive Patient-Centric GNN with Context-Aware Attention and Mini-Graph Explainability for Diabetes Classification
Title（参考訳）: APC-GNN++:糖尿病分類のためのコンテキスト認識とミニグラフ説明性を備えた適応型患者中心型GNN
Authors: Khaled Berkani,
Abstract要約: APC-GNN++は糖尿病分類のための適応型患者中心グラフニューラルネットワークである。 APC-GNN++をアルジェリアの地域病院から収集したリアルな糖尿病データセットを用いて評価した。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We propose APC-GNN++, an adaptive patient-centric Graph Neural Network for diabetes classification. Our model integrates context-aware edge attention, confidence-guided blending of node features and graph representations, and neighborhood consistency regularization to better capture clinically meaningful relationships between patients. To handle unseen patients, we introduce a mini-graph approach that leverages the nearest neighbors of the new patient, enabling real-time explainable predictions without retraining the global model. We evaluate APC-GNN++ on a real-world diabetes dataset collected from a regional hospital in Algeria and show that it outperforms traditional machine learning models (MLP, Random Forest, XGBoost) and a vanilla GCN, achieving higher test accuracy and macro F1- score. The analysis of node-level confidence scores further reveals how the model balances self-information and graph-based evidence across different patient groups, providing interpretable patient-centric insights. The system is also embedded in a Tkinter-based graphical user interface (GUI) for interactive use by healthcare professionals .
Abstract（参考訳）: 糖尿病分類のための適応型患者中心グラフニューラルネットワークであるAPC-GNN++を提案する。本モデルは,患者間の臨床的意義のある関係をよりよく捉えるために,コンテキスト対応エッジアテンション,ノード特徴とグラフ表現の信頼誘導ブレンド,および近隣整合性正規化を統合した。未確認患者に対処するために, 患者に最も近い患者に近づき, 地球モデルを再訓練することなく, リアルタイムに説明可能な予測を可能にするミニグラフアプローチを導入する。 APC-GNN++をアルジェリアの地域病院から収集したリアルな糖尿病データセット上で評価し、従来の機械学習モデル(MLP、ランダムフォレスト、XGBoost)とバニラGCNを上回り、検査精度とマクロF1-スコアを達成することを示す。ノードレベルの信頼度スコアの分析により、モデルがさまざまな患者グループ間で自己情報とグラフベースの証拠のバランスを保ち、解釈可能な患者中心の洞察を提供することが明らかになった。また、Tkinterベースのグラフィカルユーザインタフェース(GUI)に埋め込まれ、医療専門家が対話的に利用する。

関連論文リスト

Beyond Traditional Diagnostics: Transforming Patient-Side Information into Predictive Insights with Knowledge Graphs and Prototypes [55.310195121276074]
本稿では,病気を予測するための知識グラフ,プロトタイプ認識,解釈可能なフレームワークを提案する。構造化された信頼された医療知識を統合された疾患知識グラフに統合し、臨床的に意味のある疾患のプロトタイプを構築し、予測精度を高めるために対照的な学習を利用する。臨床的に有効な説明を提供し、患者の物語と密接に一致し、患者中心のヘルスケアデリバリーの実践的価値を強調している。
論文参考訳（メタデータ） (2025-12-09T05:37:54Z)
MIRNet: Integrating Constrained Graph-Based Reasoning with Pre-training for Diagnostic Medical Imaging [67.74482877175797]
MIRNetは、自己教師付き事前学習と制約付きグラフベースの推論を統合する新しいフレームワークである。 TongueAtlas-4Kは,22の診断ラベルを付した4,000枚の画像からなるベンチマークである。
論文参考訳（メタデータ） (2025-11-13T06:30:41Z)
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)
Similarity-Based Self-Construct Graph Model for Predicting Patient Criticalness Using Graph Neural Networks and EHR Data [0.46040036610482665]
マルチモーダルEHRデータから患者類似性グラフを構築する類似性に基づく自己構築グラフモデル(SBSCGM)を提案する。 HybridGraphMedGNNアーキテクチャは、患者死亡率と連続臨界スコアを予測するために、このグラフ上で動作する。我々のフレームワークは、クリティカルケアリスク予測のためのスケーラブルで解釈可能なソリューションを提供し、実際のICUデプロイメントで臨床医を支援する可能性がある。
論文参考訳（メタデータ） (2025-08-01T13:25:04Z)
Graph Neural Networks for Heart Failure Prediction on an EHR-Based Patient Similarity Graph [1.4260605984981949]
本研究では,グラフニューラルネットワーク(GNN)とグラフトランスフォーマー(GT)を用いた心不全の発生予測手法を提案する。 HFの発生を予測するために、GraphSAGE、Graph Attention Network(GAT)、Graph Transformer(GT)の3つのモデルが実装された。 GTモデルは最高のパフォーマンスを示した(F1スコア: 0.5361, AUROC: 0.7925, AUPRC: 0.5168)。
論文参考訳（メタデータ） (2024-11-29T14:40:19Z)
Graph AI in Medicine [9.733108180046555]
グラフニューラルネットワーク(GNN)は、関係によって相互接続されたノードとしてモダリティを視聴することで、データを一様に処理する。 GNNは、グラフ関係で定義された局所的なニューラル変換を通じて情報をキャプチャする。知識グラフは、モデル駆動の洞察と医療知識を整合させることで、解釈可能性を高めることができる。
論文参考訳（メタデータ） (2023-10-20T19:01:01Z)
Graph data modelling for outcome prediction in oropharyngeal cancer patients [38.37247384790338]
グラフニューラルネットワーク(GNN)は、疾患の分類と予後予測のタスクにおいて、医療分野でますます人気が高まっている。口腔咽頭癌(OPC)患者の2次予後予測のためのインダクティブ・ラーニング・セットアップで検討した患者ハイパーグラフ・ネットワーク(PHGN)を提案する。
論文参考訳（メタデータ） (2023-10-04T16:09:35Z)
A Meta-GNN approach to personalized seizure detection and classification [53.906130332172324]
本稿では,特定の患者に限られた発作サンプルから迅速に適応できるパーソナライズされた発作検出・分類フレームワークを提案する。トレーニング患者の集合からグローバルモデルを学ぶメタGNNベースの分類器を訓練する。本手法は, 未確認患者20回に限って, 精度82.7%, F1スコア82.08%を達成し, ベースラインよりも優れていた。
論文参考訳（メタデータ） (2022-11-01T14:12:58Z)
A Graph-Enhanced Click Model for Web Search [67.27218481132185]
ウェブ検索のための新しいグラフ強調クリックモデル(GraphCM)を提案する。セッション内情報とセッション間情報の両方を、スパーシリティ問題とコールドスタート問題に活用する。
論文参考訳（メタデータ） (2022-06-17T08:32:43Z)
IA-GCN: Interpretable Attention based Graph Convolutional Network for Disease prediction [47.999621481852266]
タスクに対する入力特徴の臨床的関連性を解釈する,解釈可能なグラフ学習モデルを提案する。臨床シナリオでは、そのようなモデルは、臨床専門家が診断および治療計画のためのより良い意思決定を支援することができる。本研究では,Tadpoleの平均精度が3.2%,UKBBジェンダーが1.6%,UKBB年齢予測タスクが2%と,比較方法と比較して優れた性能を示した。
論文参考訳（メタデータ） (2021-03-29T13:04:02Z)

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。