論文の概要: Early Prediction of Type 2 Diabetes Using Multimodal data and Tabular Transformers

• arxiv url: http://arxiv.org/abs/2601.12981v1
• Date: Mon, 19 Jan 2026 11:55:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-21 22:47:22.887585
• Title: Early Prediction of Type 2 Diabetes Using Multimodal data and Tabular Transformers
• Title（参考訳）: マルチモーダルデータとタブラルトランスを用いた2型糖尿病の早期予測
• Authors: Sulaiman Khan, Md. Rafiul Biswas, Zubair Shah,
• Abstract要約: 我々は1,382名の被験者からなる振り返り型カタールバイオバンクでTabTransモデルを検証した。 提案したモデルの性能は,従来の機械学習(ML)と生成AIモデルに対して評価される。 このTabTransモデルでは, 予測性能が優れ, ROC AUC $geq$ 79.7% のT2DM予測が可能であった。
• 参考スコア（独自算出の注目度）: 1.2744523252873352
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This study introduces a novel approach for early Type 2 Diabetes Mellitus (T2DM) risk prediction using a tabular transformer (TabTrans) architecture to analyze longitudinal patient data. By processing patients` longitudinal health records and bone-related tabular data, our model captures complex, long-range dependencies in disease progression that conventional methods often overlook. We validated our TabTrans model on a retrospective Qatar BioBank (QBB) cohort of 1,382 subjects, comprising 725 men (146 diabetic, 579 healthy) and 657 women (133 diabetic, 524 healthy). The study integrated electronic health records (EHR) with dual-energy X-ray absorptiometry (DXA) data. To address class imbalance, we employed SMOTE and SMOTE-ENN resampling techniques. The proposed model`s performance is evaluated against conventional machine learning (ML) and generative AI models, including Claude 3.5 Sonnet (Anthropic`s constitutional AI), GPT-4 (OpenAI`s generative pre-trained transformer), and Gemini Pro (Google`s multimodal language model). Our TabTrans model demonstrated superior predictive performance, achieving ROC AUC $\geq$ 79.7 % for T2DM prediction compared to both generative AI models and conventional ML approaches. Feature interpretation analysis identified key risk indicators, with visceral adipose tissue (VAT) mass and volume, ward bone mineral density (BMD) and bone mineral content (BMC), T and Z-scores, and L1-L4 scores emerging as the most important predictors associated with diabetes development in Qatari adults. These findings demonstrate the significant potential of TabTrans for analyzing complex tabular healthcare data, providing a powerful tool for proactive T2DM management and personalized clinical interventions in the Qatari population. Index Terms: tabular transformers, multimodal data, DXA data, diabetes, T2DM, feature interpretation, tabular data
• Abstract（参考訳）: 本研究では,TabTrans(TabTrans)アーキテクチャを用いた早期2型糖尿病(T2DM)のリスク予測手法を提案する。 患者の縦断的健康記録と骨関連表皮データを処理することで、従来の方法では見落とされがちな疾患進行における、複雑で長期にわたる依存関係を捉えることができる。 対象は, 男性725名(糖尿病146名, 健常579名)と女性657名(糖尿病133名, 健常524名)であった。 両エネルギーX線吸収率(DXA)データと電子健康記録(EHR)を統合した。 クラス不均衡に対処するために,SMOTEとSMOTE-ENNリサンプリング技術を用いた。 提案モデルの性能は従来の機械学習(ML)および生成AIモデルに対して評価され、Claude 3.5 Sonnet(Anthropic’s Constitution AI)、GPT-4(OpenAI's generative pre-trained transformer)、Gemini Pro(Google's multimodal language model)などがある。 我々のTabTransモデルは、生成型AIモデルと従来のMLアプローチの両方と比較して、T2DM予測においてROC AUC $\geq$ 79.7 %の予測性能を示した。 特徴解釈分析では, カタール成人の糖尿病発症関連因子として, 内臓脂肪組織 (VAT) 量, 骨密度 (BMD) および骨ミネラル含有量 (BMC) , T, Zスコア, L1-L4スコアが認められた。 これらの結果は,TabTransが複雑な表型医療データを解析し,T2DMを積極的に管理し,カタール人における臨床介入をパーソナライズするための強力なツールであることを示す。 指標項:表型変換器、マルチモーダルデータ、DXAデータ、糖尿病、T2DM、特徴解釈、表型データ

関連論文リスト

• impuTMAE: Multi-modal Transformer with Masked Pre-training for Missing Modalities Imputation in Cancer Survival Prediction [75.43342771863837]
  我々は,効率的なマルチモーダル事前学習戦略を備えた新しいトランスフォーマーに基づくエンドツーエンドアプローチである impuTMAE を紹介する。 マスクされたパッチを再構築することで、モダリティの欠如を同時に示唆しながら、モダリティ間の相互作用とモダリティ内相互作用を学習する。 本モデルは,TGA-GBM/LGGとBraTSデータセットを用いたグリオーマ生存予測のために,異種不完全データに基づいて事前訓練を行った。
  論文  参考訳（メタデータ） (2025-08-08T10:01:16Z)
• 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)
• Towards Transparent and Accurate Diabetes Prediction Using Machine Learning and Explainable Artificial Intelligence [8.224338294959699]
  本研究では機械学習モデルとXAIツールを用いた糖尿病予測の枠組みを提案する。 アンサンブルモデルは精度が高く、テスト精度は92.50%、ROC-AUCは0.975であった。 その結果、XAIと組み合わせたMLは、医療システムで使用する正確で計算学的に透過的なツールを開発するための有望な手段であることが示唆された。
  論文  参考訳（メタデータ） (2025-01-30T00:42:43Z)
• ScaleMAI: Accelerating the Development of Trusted Datasets and AI Models [46.80682547774335]
  我々はAI統合データキュレーションとアノテーションのエージェントであるScaleMAIを提案する。 まず、ScaleMAIは25,362個のCTスキャンを作成した。 第2に、プログレッシブなヒューマン・イン・ザ・ループのイテレーションを通じて、ScaleMAIはFragship AI Modelを提供する。
  論文  参考訳（メタデータ） (2025-01-06T22:12:00Z)
• Phikon-v2, A large and public feature extractor for biomarker prediction [42.52549987351643]
  我々は、DINOv2を用いて視覚変換器を訓練し、このモデルの1つのイテレーションを公開して、Phikon-v2と呼ばれるさらなる実験を行う。 Phikon-v2は、公開されている組織学のスライドをトレーニングしながら、以前リリースしたモデル(Phikon)を上回り、プロプライエタリなデータでトレーニングされた他の病理学基盤モデル(FM)と同等に動作します。
  論文  参考訳（メタデータ） (2024-09-13T20:12:29Z)
• SACDNet: Towards Early Type 2 Diabetes Prediction with Uncertainty for Electronic Health Records [0.951828574518325]
  本研究では,多頭部自己注意層と高密度層を用いた早期T2DM予測のためのニューラルネットワークアーキテクチャを提案する。 提案手法は、SACDNet(Self-Attention for Comorbid Disease Net)と呼ばれ、89.3%の精度とF1スコア89.1%の精度を実現している。 T2DM予測データセットも,糖尿病4,124例と非糖尿病181,767例からなる実世界の電子健康記録(EHR)データに基づいて構築されている。
  論文  参考訳（メタデータ） (2023-01-12T07:14:47Z)
• SynthA1c: Towards Clinically Interpretable Patient Representations for Diabetes Risk Stratification [0.5551483435671848]
  2型糖尿病(T2DM)の早期診断は、タイムリーな治療介入とライフスタイルの変更を可能にするために重要である。 画像由来の表現型と身体検査データを組み合わせて糖尿病リスクを正確に予測できることを示す。
  論文  参考訳（メタデータ） (2022-09-20T23:39:52Z)
• Predicting Clinical Diagnosis from Patients Electronic Health Records Using BERT-based Neural Networks [62.9447303059342]
  医療コミュニティにおけるこの問題の重要性を示す。 本稿では,変換器 (BERT) モデルによる2方向表現の分類順序の変更について述べる。 約400万人のユニークな患者訪問からなる、大規模なロシアのEHRデータセットを使用します。
  論文  参考訳（メタデータ） (2020-07-15T09:22:55Z)

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。