論文の概要: Transformer-Based Multi-Modal Temporal Embeddings for Explainable Metabolic Phenotyping in Type 1 Diabetes

• arxiv url: http://arxiv.org/abs/2601.04299v1
• Date: Wed, 07 Jan 2026 18:01:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-09 17:01:52.872546
• Title: Transformer-Based Multi-Modal Temporal Embeddings for Explainable Metabolic Phenotyping in Type 1 Diabetes
• Title（参考訳）: トランスフォーマーを用いた1型糖尿病における説明可能なメタボリック・フェノニーピングのためのマルチモーダル・テンポラル・エンベディング
• Authors: Pir Bakhsh Khokhar, Carmine Gravino, Fabio Palomba, Sule Yildrim Yayilgan, Sarang Shaikh,
• Abstract要約: 1型糖尿病(1型糖尿病、T1D)は、従来のバイオマーカーによって適切に特徴づけられない、非常に代謝的に不均一な疾患である。 本研究では, 連続グルコースモニタリング(CGM)データを実験室のプロファイルと統合し, 個別代謝状態のマルチモーダル時間埋め込みを学習する, 説明可能なディープラーニングフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 7.06459235706998
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Type 1 diabetes (T1D) is a highly metabolically heterogeneous disease that cannot be adequately characterized by conventional biomarkers such as glycated hemoglobin (HbA1c). This study proposes an explainable deep learning framework that integrates continuous glucose monitoring (CGM) data with laboratory profiles to learn multimodal temporal embeddings of individual metabolic status. Temporal dependencies across modalities are modeled using a transformer encoder, while latent metabolic phenotypes are identified via Gaussian mixture modeling. Model interpretability is achieved through transformer attention visualization and SHAP-based feature attribution. Five latent metabolic phenotypes, ranging from metabolic stability to elevated cardiometabolic risk, were identified among 577 individuals with T1D. These phenotypes exhibit distinct biochemical profiles, including differences in glycemic control, lipid metabolism, renal markers, and thyrotropin (TSH) levels. Attention analysis highlights glucose variability as a dominant temporal factor, while SHAP analysis identifies HbA1c, triglycerides, cholesterol, creatinine, and TSH as key contributors to phenotype differentiation. Phenotype membership shows statistically significant, albeit modest, associations with hypertension, myocardial infarction, and heart failure. Overall, this explainable multimodal temporal embedding framework reveals physiologically coherent metabolic subgroups in T1D and supports risk stratification beyond single biomarkers.
• Abstract（参考訳）: 1型糖尿病(T1D)は、糖化ヘモグロビン(HbA1c)のような従来のバイオマーカーによって適切に特徴づけられない、非常に代謝的に不均一な疾患である。 本研究では, 連続グルコースモニタリング(CGM)データを実験室のプロファイルと統合し, 個別代謝状態のマルチモーダル時間埋め込みを学習する, 説明可能なディープラーニングフレームワークを提案する。 モダリティ間の時間的依存はトランスフォーマーエンコーダを用いてモデル化され、潜在代謝表現型はガウス混合モデルによって同定される。 モデル解釈性は、トランスフォーマーの注意の可視化とSHAPに基づく特徴属性によって達成される。 メタボリック安定性から心メタボリックリスクの上昇に至るまで,5つの潜伏型メタボリック表現型がT1D患者577名に同定された。 これらの表現型は、血糖コントロール、脂質代謝、腎マーカー、甲状腺刺激ホルモン(TSH)レベルなど、異なる生化学的プロファイルを示す。 一方、SHAP分析ではHbA1c、トリグリセリド、コレステロール、クレアチニン、TSHを表現型分化の重要な要因として同定している。 フェノタイプは, 高血圧, 心筋梗塞, 心不全など, 統計的に有意な傾向を示す。 全体として、この説明可能なマルチモーダルな時間的埋め込みフレームワークは、T1Dの生理学的にコヒーレントな代謝サブグループを明らかにし、単一のバイオマーカーを超えたリスク階層化をサポートする。

関連論文リスト

• Use of Continuous Glucose Monitoring with Machine Learning to Identify Metabolic Subphenotypes and Inform Precision Lifestyle Changes [4.643854266548864]
  静的血糖閾値による糖尿病および前糖尿病の分類は、病態生理的血糖不均一性を曖昧にする。 連続グルコースモニタリングとウェアラブル技術は,非侵襲的,動的代謝表現型へのパラダイムシフトを可能にすることを示す。
  論文  参考訳（メタデータ） (2025-11-06T02:15:08Z)
• Retinal Lipidomics Associations as Candidate Biomarkers for Cardiovascular Health [14.998873360919879]
  本研究では,血清脂質サブクラス,遊離脂肪酸(FA),ジアシルグリセロール(DAG),トリアシルグリセロール(TAG),コレステリルエステル(CE)の関係について検討した。 FAは網膜血管ゆがみと相関し,CEは平均血管幅および静脈幅と相関した。 これらの結果から,網膜血管構築は脂質の循環プロファイルを反映し,全身代謝の非侵襲マーカーとしての役割を担っていることが示唆された。
  論文  参考訳（メタデータ） (2025-08-05T15:07:02Z)
• Integrated Oculomics and Lipidomics Reveal Microvascular Metabolic Signatures Associated with Cardiovascular Health in a Healthy Cohort [13.729848701625148]
  心臓血管疾患(CVD)が世界的死亡の原因となっている。 従来の研究では、CVDリスクの潜在的な指標として、総合的な血清脂質代謝プロファイルを持つ網膜微小血管の特徴を統合していない。 本研究は,深層学習に基づく画像処理から得られた網膜微小血管特性と血清脂質データを組み合わせることで,心血管リスクの無症状バイオマーカーを明らかにする。
  論文  参考訳（メタデータ） (2025-07-16T22:40:17Z)
• Finetuning and Quantization of EEG-Based Foundational BioSignal Models on ECG and PPG Data for Blood Pressure Estimation [46.36100528165335]
  光胸腺撮影と心電図は、連続血圧モニタリング(BP)を可能にする可能性がある。 しかし、データ品質と患者固有の要因の変化のため、正確で堅牢な機械学習(ML)モデルは依然として困難である。 本研究では,1つのモータリティで事前学習したモデルを効果的に利用して,異なる信号タイプの精度を向上させる方法について検討する。 本手法は, 拡張期BPの最先端精度を約1.5倍に向上し, 拡張期BPの精度を1.5倍に向上させる。
  論文  参考訳（メタデータ） (2025-02-10T13:33:12Z)
• Gene-Metabolite Association Prediction with Interactive Knowledge Transfer Enhanced Graph for Metabolite Production [49.814615043389864]
  メタボリックグラフに基づく遺伝子メタボリック・アソシエーション・アソシエーション・アソシエーション・アソシエーション・アソシエーション・アソシエーション・アソシエーション・アソシエーション・アソシエーション・アソシエーション・アソシエーション・アソシエーション・アソシエーション 2474の代謝産物と1947年の2つの一般的な微生物の遺伝子を含む最初のベンチマークを提示する。 提案手法は,各種リンク予測フレームワークのベースラインを最大12.3%向上させる。
  論文  参考訳（メタデータ） (2024-10-24T06:54:27Z)
• From Glucose Patterns to Health Outcomes: A Generalizable Foundation Model for Continuous Glucose Monitor Data Analysis [47.23780364438969]
  本稿では,CGMデータの生成基盤モデルであるGluFormerについて紹介する。 GluFormerは、異なる民族や年齢、5つの国、8つのCGMデバイス、多様な病態状態にまたがる19の外部コホートに一般化する。 CGMデータと12年間のフォローアップを持つ580人の成人の縦断的研究において、GluFormerは血液HbA1C%よりも糖尿病を効果的に発症するリスクが高い個人を特定する。
  論文  参考訳（メタデータ） (2024-08-20T13:19:06Z)
• Unsupervised ensemble-based phenotyping helps enhance the discoverability of genes related to heart morphology [57.25098075813054]
  我々はUn Phenotype Ensemblesという名の遺伝子発見のための新しいフレームワークを提案する。 教師なしの方法で学習された表現型のセットをプールすることで、冗長だが非常に表現性の高い表現を構築する。 これらの表現型は、(GWAS)を介して分析され、高い自信と安定した関連のみを保持する。
  論文  参考訳（メタデータ） (2023-01-07T18:36:44Z)
• Three-dimensional micro-structurally informed in silico myocardium -- towards virtual imaging trials in cardiac diffusion weighted MRI [58.484353709077034]
  本稿では,心筋微細構造の数値ファントムを現実的に生成する新しい手法を提案する。 シリコン組織モデルにより、磁気共鳴イメージングの定量的モデルを評価することができる。
  論文  参考訳（メタデータ） (2022-08-22T22:01:44Z)
• A radiomics approach to analyze cardiac alterations in hypertension [1.2184176578745824]
  高血圧に関連する中間画像の表現型を同定するための放射線学的アプローチについて述べる。 提案した放射能モデルでは,従来の画像表現型以上の強度やテクスチュラルな変化を検出することができる。
  論文  参考訳（メタデータ） (2020-07-21T11:21:14Z)

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。