論文の概要: Bayesian Integration of Nonlinear Incomplete Clinical Data

• arxiv url: http://arxiv.org/abs/2602.01924v1
• Date: Mon, 02 Feb 2026 10:23:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-03 19:28:34.077532
• Title: Bayesian Integration of Nonlinear Incomplete Clinical Data
• Title（参考訳）: 非線形不完全臨床データのベイズ積分
• Authors: Lucía González-Zamorano, Nuria Balbás-Esteban, Vanessa Gómez-Verdejo, Albert Belenguer-Llorens, Carlos Sevilla-Salcedo,
• Abstract要約: マルチモーダルな臨床データは、高次元性、不均一な表現、構造的欠如によって特徴づけられる。 BIONIC(Bayesian Integration of Clinical Data)は、不均一なデータを統合する統一的確率的フレームワークである。
• 参考スコア（独自算出の注目度）: 1.2262639401532156
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Multimodal clinical data are characterized by high dimensionality, heterogeneous representations, and structured missingness, posing significant challenges for predictive modeling, data integration, and interpretability. We propose BIONIC (Bayesian Integration of Nonlinear Incomplete Clinical data), a unified probabilistic framework that integrates heterogeneous multimodal data under missingness through a joint generative-discriminative latent architecture. BIONIC uses pretrained embeddings for complex modalities such as medical images and clinical text, while incorporating structured clinical variables directly within a Bayesian multimodal formulation. The proposed framework enables robust learning in partially observed and semi-supervised settings by explicitly modeling modality-level and variable-level missingness, as well as missing labels. We evaluate BIONIC on three multimodal clinical and biomedical datasets, demonstrating strong and consistent discriminative performance compared to representative multimodal baselines, particularly under incomplete data scenarios. Beyond predictive accuracy, BIONIC provides intrinsic interpretability through its latent structure, enabling population-level analysis of modality relevance and supporting clinically meaningful insight.
• Abstract（参考訳）: マルチモーダルな臨床データは、高次元性、不均一な表現、構造的欠如を特徴とし、予測モデリング、データ統合、解釈可能性に重要な課題を提起する。 BIONIC(Bayesian Integration of Nonly Incomplete Clinical Data)は,不均一なマルチモーダルデータを統合する統一的確率的フレームワークである。 BIONICは、医療画像や臨床テキストなどの複雑なモダリティに事前訓練された埋め込みを使用し、ベイズ多モードの定式化に直接構造化された臨床変数を組み込んでいる。 提案フレームワークは,モダリティレベルと変数レベルの欠落と,ラベルの欠落を明示的にモデル化することにより,部分的に観察および半教師付き設定での堅牢な学習を可能にする。 我々はBIONICを3つのマルチモーダル臨床およびバイオメディカルデータセット上で評価し、特に不完全なデータシナリオにおいて、代表的マルチモーダルベースラインと比較して、強力で一貫した識別性能を示した。 予測精度の他に、BIONICはその潜在構造を通して固有の解釈可能性を提供し、集団レベルでのモダリティ関連の分析を可能にし、臨床的に有意義な洞察をサポートする。

関連論文リスト

• AgentsEval: Clinically Faithful Evaluation of Medical Imaging Reports via Multi-Agent Reasoning [73.50200033931148]
  本稿では,放射線科医の協調診断ワークフローをエミュレートしたマルチエージェントストリーム推論フレームワークであるAgensEvalを紹介する。 評価プロセスを基準定義、エビデンス抽出、アライメント、一貫性スコアなどの解釈可能なステップに分割することで、AgensEvalは明確な推論トレースと構造化された臨床フィードバックを提供する。 実験結果から,AgensEvalは,言い換え,意味的,スタイリスティックな摂動の下でも頑健な臨床的整合性,意味的忠実性,解釈可能な評価を提供することが示された。
  論文  参考訳（メタデータ） (2026-01-23T11:59:13Z)
• 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)
• Platform for Representation and Integration of multimodal Molecular Embeddings [43.54912893426355]
  既存の分子埋め込みのための機械学習手法は、特定のタスクやデータモダリティに制限されている。 既存の埋め込みは、ほとんど重複しない分子信号を取り込んでおり、埋め込み統合の価値を強調している。 我々は,多モード分子埋め込み(PRISME)の表現と統合のためのプラットフォームを提案し,不均一な埋め込みを統一された多モード表現に統合する。
  論文  参考訳（メタデータ） (2025-07-10T01:18:50Z)
• Causal Representation Learning from Multimodal Biomedical Observations [57.00712157758845]
  バイオメディカルデータセットの理解を容易にするために,マルチモーダルデータに対するフレキシブルな識別条件と原理的手法を開発した。 主要な理論的貢献は、モジュラリティ間の因果関係の構造的空間性である。 実世界のヒト表現型データセットの結果は、確立された生物医学研究と一致している。
  論文  参考訳（メタデータ） (2024-11-10T16:40:27Z)
• Integrate Any Omics: Towards genome-wide data integration for patient stratification [6.893309898200498]
  IntegrAOは、不完全なマルチオミクスデータを統合し、新しいサンプルを分類するための教師なしのフレームワークである。 不均一データや不完全データを扱うIntegratedAOの能力は、精度オンコロジーに不可欠なツールである。
  論文  参考訳（メタデータ） (2024-01-15T19:57:07Z)
• 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)
• HEALNet: Multimodal Fusion for Heterogeneous Biomedical Data [10.774128925670183]
  本稿では,フレキシブルなマルチモーダル融合アーキテクチャであるHybrid Early-fusion Attention Learning Network (HEALNet)を提案する。 The Cancer Genome Atlas (TCGA) の4つのがんデータセットにおける全スライド画像と多モードデータを用いたマルチモーダルサバイバル解析を行った。 HEALNetは、他のエンドツーエンドの訓練された融合モデルと比較して最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2023-11-15T17:06:26Z)
• CLCLSA: Cross-omics Linked embedding with Contrastive Learning and Self Attention for multi-omics integration with incomplete multi-omics data [47.2764293508916]
  不均一・高次元マルチオミクスデータの統合は、遺伝データの理解においてますます重要になっている。 マルチオミクスデータ統合を行う際に直面する障害のひとつは、機器の感度とコストによる未ペアリングマルチオミクスデータの存在である。 クロスオミクスを用いたマルチオミクス統合のための深層学習手法を提案する。
  論文  参考訳（メタデータ） (2023-04-12T00:22:18Z)

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。