論文の概要: LeMoF: Level-guided Multimodal Fusion for Heterogeneous Clinical Data
- arxiv url: http://arxiv.org/abs/2601.10092v1
- Date: Thu, 15 Jan 2026 05:44:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-01-16 19:43:19.005867
- Title: LeMoF: Level-guided Multimodal Fusion for Heterogeneous Clinical Data
- Title（参考訳）: LeMoF : 不均一な臨床データのためのレベル誘導多モード核融合
- Authors: Jongseok Kim, Seongae Kang, Jonghwan Shin, Yuhan Lee, Ohyun Jo,
- Abstract要約: Level-guided Modal Fusion (LeMoF) は、各モードにレベル-guided表現を選択的に統合する新しいフレームワークである。
LeMoFは、グローバルなモダリティレベルの予測を、レベル固有の識別表現から明確に分離し、学習する。
Intensive Care Unit (ICU)データを用いた滞在予測実験により、LeMoFは既存の最先端マルチモーダル核融合技術より一貫して優れていることが示された。
- 参考スコア（独自算出の注目度）: 8.518374850545912
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Multimodal clinical prediction is widely used to integrate heterogeneous data such as Electronic Health Records (EHR) and biosignals. However, existing methods tend to rely on static modality integration schemes and simple fusion strategies. As a result, they fail to fully exploit modality-specific representations. In this paper, we propose Level-guided Modal Fusion (LeMoF), a novel framework that selectively integrates level-guided representations within each modality. Each level refers to a representation extracted from a different layer of the encoder. LeMoF explicitly separates and learns global modality-level predictions from level-specific discriminative representations. This design enables LeMoF to achieve a balanced performance between prediction stability and discriminative capability even in heterogeneous clinical environments. Experiments on length of stay prediction using Intensive Care Unit (ICU) data demonstrate that LeMoF consistently outperforms existing state-of-the-art multimodal fusion techniques across various encoder configurations. We also confirmed that level-wise integration is a key factor in achieving robust predictive performance across various clinical conditions.
- Abstract（参考訳）: マルチモーダルな臨床予測は、電子健康記録(Electronic Health Records, EHR)やバイオシグナー(biosignals)のような異種データを統合するために広く用いられている。
しかし、既存の手法は静的なモダリティ統合スキームや単純な融合戦略に依存する傾向にある。
結果として、モダリティ固有の表現を完全に活用することができない。
本稿では,各モードにおけるレベル誘導表現を選択的に統合する新しいフレームワークであるLeMoFを提案する。
各レベルはエンコーダの異なる層から抽出された表現を参照する。
LeMoFは、グローバルなモダリティレベルの予測を、レベル固有の識別表現から明確に分離し、学習する。
この設計により、LeMoFは、異種臨床環境においても、予測安定性と識別能力のバランスの取れた性能を達成することができる。
Intensive Care Unit (ICU)データを用いた滞在期間予測実験により、LeMoFは様々なエンコーダ構成における既存の最先端マルチモーダル融合技術より一貫して優れていることが示された。
また,様々な臨床症状に対して高い予測性能を実現する上で,レベルワイド統合が重要な要因であることも確認した。
関連論文リスト
- Modality-Specific Enhancement and Complementary Fusion for Semi-Supervised Multi-Modal Brain Tumor Segmentation [6.302779966909783]
医用画像セグメンテーションのための新しい半教師付きマルチモーダルフレームワークを提案する。
モダリティ固有のエンハンシングモジュール(MEM)を導入し、各モダリティに意味的なユニークな手がかりを強化する。
また,学習可能な相補的情報融合(CIF)モジュールを導入し,モダリティ間の相補的知識を適応的に交換する。
論文 参考訳（メタデータ） (2025-12-10T16:15:17Z) - scMRDR: A scalable and flexible framework for unpaired single-cell multi-omics data integration [53.683726781791385]
単一セルマルチオミクス(ScMRDR)と呼ばれるスケーラブルでフレキシブルな生成フレームワークを導入する。
本手法は, バッチ補正, モダリティアライメント, 生体信号保存の観点から, ベンチマークデータセット上での優れた性能を実現する。
論文 参考訳（メタデータ） (2025-10-28T21:28:39Z) - MAGIC-Flow: Multiscale Adaptive Conditional Flows for Generation and Interpretable Classification [0.0]
MAGIC-Flowは、単一のフレームワーク内で生成と分類を行う条件付きマルチスケール正規化フローアーキテクチャである。
非可逆性は標本可能性の明示的な可視化を可能にする一方で、これが正確な確率と安定な最適化をいかに保証するかを示す。
類似度,忠実度,多様性の指標を用いて,トップベースラインに対するMAGIC-Flowの評価を行った。
論文 参考訳（メタデータ） (2025-10-24T23:11:25Z) - CLIP Meets Diffusion: A Synergistic Approach to Anomaly Detection [49.11819337853632]
異常検出は、異常の定義の曖昧さ、異常型の多様性、トレーニングデータの不足による複雑な問題である。
識別的基盤モデルと生成的基礎モデルの両方を活用するCLIPfusionを提案する。
本手法は, 異常検出の多面的課題に対処する上で, マルチモーダル・マルチモデル融合の有効性を裏付けるものである。
論文 参考訳（メタデータ） (2025-06-13T13:30:15Z) - ClusMFL: A Cluster-Enhanced Framework for Modality-Incomplete Multimodal Federated Learning in Brain Imaging Analysis [28.767460351377462]
脳画像解析の文脈では、モダリティの不完全性は重要な課題である。
本稿では,機能クラスタリングを利用した新しいMFLフレームワークであるClusMFLを提案する。
ClusMFLは、様々なモダリティの不完全性のレベルにまたがる様々なベースライン手法と比較して、最先端の性能を達成する。
論文 参考訳（メタデータ） (2025-02-14T09:33:59Z) - Multi-Modal Federated Learning for Cancer Staging over Non-IID Datasets with Unbalanced Modalities [9.476402318365446]
本研究では,データサンプルの不均一性だけでなく,機関間のデータモダリティの固有不均一性と不均一性を両立する新しいFLアーキテクチャを提案する。
マルチモーダルFLに適した分散勾配ブレンディングと近接対応クライアント重み付け戦略を考案した。
論文 参考訳（メタデータ） (2024-01-07T23:45:01Z) - XAI for In-hospital Mortality Prediction via Multimodal ICU Data [57.73357047856416]
マルチモーダルICUデータを用いて病院内死亡率を予測するための,効率的で説明可能なAIソリューションを提案する。
我々は,臨床データから異種入力を受信し,意思決定を行うマルチモーダル・ラーニングを我々のフレームワークに導入する。
我々の枠組みは、医療研究において重要な要素の発見を容易にする他の臨床課題に容易に移行することができる。
論文 参考訳（メタデータ） (2023-12-29T14:28:04Z) - Differentiable Agent-based Epidemiology [71.81552021144589]
GradABM(GradABM)は、エージェントベースのモデリングのためのスケーラブルで微分可能な設計で、勾配に基づく学習と自動微分が可能である。
GradABMは、コモディティハードウェア上で数秒で数百万の人口をシミュレートし、ディープニューラルネットワークと統合し、異種データソースを取り込みます。
論文 参考訳（メタデータ） (2022-07-20T07:32:02Z) - A Novel Unified Conditional Score-based Generative Framework for
Multi-modal Medical Image Completion [54.512440195060584]
我々は、スコアベース生成モデル(SGM)を活用するために、統一多モードスコアベース生成モデル(UMM-CSGM)を提案する。
UMM-CSGMは、新しいマルチインマルチアウトコンディションスコアネットワーク(mm-CSN)を用いて、クロスモーダル条件分布の包括的集合を学習する。
BraTS19データセットの実験により、UMM-CSGMは腫瘍誘発病変における不均一な増強と不規則な領域をより確実に合成できることが示された。
論文 参考訳（メタデータ） (2022-07-07T16:57:21Z)
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。