論文の概要: Causal Heterogeneous Graph Learning Method for Chronic Obstructive Pulmonary Disease Prediction

• arxiv url: http://arxiv.org/abs/2512.19194v1
• Date: Mon, 22 Dec 2025 09:30:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-23 18:54:32.693545
• Title: Causal Heterogeneous Graph Learning Method for Chronic Obstructive Pulmonary Disease Prediction
• Title（参考訳）: 慢性閉塞性肺疾患予測のための因果不均一グラフ学習法
• Authors: Leming Zhou, Zuo Wang, Zhigang Liu,
• Abstract要約: 本稿では, COPD協調リスク予測のための因果不均一グラフ表現学習法(CHGRL)を提案する。 因果推論機構と異種グラフ学習を組み合わせた原因対応不均一グラフ学習アーキテクチャが構築されている。 実験の結果,提案手法は高い検出精度を示す。
• 参考スコア（独自算出の注目度）: 3.061006904567806
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Due to the insufficient diagnosis and treatment capabilities at the grassroots level, there are still deficiencies in the early identification and early warning of acute exacerbation of Chronic obstructive pulmonary disease (COPD), often resulting in a high prevalence rate and high burden, but the screening rate is relatively low. In order to gradually improve this situation. In this paper, this study develop a Causal Heterogeneous Graph Representation Learning (CHGRL) method for COPD comorbidity risk prediction method that: a) constructing a heterogeneous Our dataset includes the interaction between patients and diseases; b) A cause-aware heterogeneous graph learning architecture has been constructed, combining causal inference mechanisms with heterogeneous graph learning, which can support heterogeneous graph causal learning for different types of relationships; and c) Incorporate the causal loss function in the model design, and add counterfactual reasoning learning loss and causal regularization loss on the basis of the cross-entropy classification loss. We evaluate our method and compare its performance with strong GNN baselines. Following experimental evaluation, the proposed model demonstrates high detection accuracy.
• Abstract（参考訳）: 草の根レベルでの診断と治療能力の不足により,慢性閉塞性肺疾患(COPD)の早期診断と早期診断にはまだ欠陥があり,高い頻度と高い負担が生じることが多いが,スクリーニング率は比較的低い。 この状況を徐々に改善するために。 本稿では, COPD協調リスク予測法における因果不均一グラフ表現学習法(CHGRL)を提案する。 a) 異種データセットの構築には,患者と疾患の相互作用が含まれる。 ロ 因果推論機構を異質グラフ学習と組み合わせ、異種グラフ因果学習を異なる種類の関係で支援することができる原因対応グラフ学習アーキテクチャを構築した。 c) モデル設計における因果損失関数を組み入れ, クロスエントロピー分類損失に基づいて, 逆因果推論学習損失及び因果正則化損失を付加する。 我々は,提案手法を評価し,その性能を強力なGNNベースラインと比較した。 実験の結果,提案手法は高い検出精度を示す。

関連論文リスト

• A Semantically Enhanced Generative Foundation Model Improves Pathological Image Synthesis [82.01597026329158]
  本稿では,組織合成のための相関調整フレームワーク(CRAFTS)について紹介する。 CRAFTSは、生物学的精度を確保するためにセマンティックドリフトを抑制する新しいアライメント機構を組み込んでいる。 本モデルは,30種類の癌にまたがる多彩な病理像を生成する。
  論文  参考訳（メタデータ） (2025-12-15T10:22:43Z)
• Causal Graph Neural Networks for Healthcare [2.446787923076599]
  因果グラフニューラルネットワークは、分布シフト、差別、調査可能性の三つの危機に対処する。 本稿では, 構造因果モデル, 絡み合った因果表現学習, およびグラフ上の介入予測と反実的推論のための手法の方法論的基礎について検討する。
  論文  参考訳（メタデータ） (2025-11-04T12:34:46Z)
• Chronic Diseases Prediction using Machine Learning and Deep Learning Methods [0.0]
  本研究は,慢性疾患および甲状腺疾患の予測に機械学習(ML)およびディープラーニング(DL)技術の応用について検討した。 我々は、ロジスティック回帰(LR)、ランダムフォレスト(RF)、グラディエントブーストツリー(GBT)、ニューラルネットワーク(NN)、決定木(DT)、ネイティブベイズ(NB)など、さまざまなモデルを使用した。 その結果、ランダムフォレストやグラディエントブーストツリーのようなアンサンブル手法は一貫して優れていた。
  論文  参考訳（メタデータ） (2025-04-30T21:08:16Z)
• DiffuPT: Class Imbalance Mitigation for Glaucoma Detection via Diffusion Based Generation and Model Pretraining [1.8218878957822688]
  緑内障は、視神経頭の構造的損傷と視野の機能的変化を特徴とする進行性視神経症である。 本研究では, 緑内障の診断, 特に合成データ生成によるクラス不均衡に対処するために, 生成的枠組みを用いている。
  論文  参考訳（メタデータ） (2024-12-04T17:39:44Z)
• Semantic Latent Space Regression of Diffusion Autoencoders for Vertebral Fracture Grading [72.45699658852304]
  本稿では,教師なし特徴抽出器として生成拡散オートエンコーダモデルを訓練するための新しい手法を提案する。 フラクチャーグレーディングを連続回帰としてモデル化し, フラクチャーのスムーズな進行を反映した。 重要なことに,本手法の創成特性は,与えられた脊椎の様々な段階を可視化し,自動グルーピングに寄与する特徴を解釈し,洞察することを可能にする。
  論文  参考訳（メタデータ） (2023-03-21T17:16:01Z)
• Heterogeneous Graph Neural Networks using Self-supervised Reciprocally Contrastive Learning [102.9138736545956]
  不均一グラフニューラルネットワーク(HGNN)は異種グラフのモデリングと解析において非常に一般的な手法である。 我々は,ノード属性とグラフトポロジの各ガイダンスに関する2つの視点を取り入れた,新規で頑健なヘテロジニアスグラフコントラスト学習手法であるHGCLを初めて開発する。 この新しいアプローチでは,属性とトポロジに関連情報を別々にマイニングする手法として,異なるが最も適した属性とトポロジの融合機構を2つの視点に適用する。
  論文  参考訳（メタデータ） (2022-04-30T12:57:02Z)
• Dynamic Graph Correlation Learning for Disease Diagnosis with Incomplete Labels [66.57101219176275]
  胸部X線画像上の疾患診断は,多ラベル分類の課題である。 本稿では,異なる疾患間の相互依存を調査する新たな視点を提示する病的診断グラフ畳み込みネットワーク(DD-GCN)を提案する。 本手法は,相関学習のための動的隣接行列を用いた特徴写像上のグラフを初めて構築する手法である。
  論文  参考訳（メタデータ） (2020-02-26T17:10:48Z)

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。