論文の概要: Kernel-Based Learning of Chest X-ray Images for Predicting ICU Escalation among COVID-19 Patients

• arxiv url: http://arxiv.org/abs/2602.10261v1
• Date: Tue, 10 Feb 2026 20:11:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-12 21:44:01.266151
• Title: Kernel-Based Learning of Chest X-ray Images for Predicting ICU Escalation among COVID-19 Patients
• Title（参考訳）: 新型コロナウイルス患者のICUエスカレーション予測のための胸部X線画像のカーネルベース学習
• Authors: Qiyuan Shi, Jian Kang, Yi Li,
• Abstract要約: 多重カーネル学習(MKL)は、より単純なカーネルから複合カーネルを構築し、異種ソースからの情報を統合することで、これらの制限に対処する。 我々はMKLを拡張して指数族に属する結果変数を対応させ、より広範なデータ型を表現し、提案手法をカーネルと統合された多重加算回帰を持つ一般化線形モデル(GLIMARK)として参照する。 我々は, GLIMARKを新型コロナウイルス胸部X線データセットに適用し, ICUエスカレーションのバイナリ結果を予測し, 臨床的に有意な特徴を抽出した。
• 参考スコア（独自算出の注目度）: 5.030572036126222
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Kernel methods have been extensively utilized in machine learning for classification and prediction tasks due to their ability to capture complex non-linear data patterns. However, single kernel approaches are inherently limited, as they rely on a single type of kernel function (e.g., Gaussian kernel), which may be insufficient to fully represent the heterogeneity or multifaceted nature of real-world data. Multiple kernel learning (MKL) addresses these limitations by constructing composite kernels from simpler ones and integrating information from heterogeneous sources. Despite these advances, traditional MKL methods are primarily designed for continuous outcomes. We extend MKL to accommodate the outcome variable belonging to the exponential family, representing a broader variety of data types, and refer to our proposed method as generalized linear models with integrated multiple additive regression with kernels (GLIMARK). Empirically, we demonstrate that GLIMARK can effectively recover or approximate the true data-generating mechanism. We have applied it to a COVID-19 chest X-ray dataset, predicting binary outcomes of ICU escalation and extracting clinically meaningful features, underscoring the practical utility of this approach in real-world scenarios.
• Abstract（参考訳）: カーネル法は、複雑な非線形データパターンをキャプチャできるため、分類や予測タスクに機械学習で広く利用されている。 しかし、単一のカーネルアプローチは本質的に制限されており、単一のタイプのカーネル関数(例えばガウスカーネル)に依存しているため、実世界のデータの異質性や多面性を完全に表現するには不十分である。 多重カーネル学習(MKL)は、より単純なカーネルから複合カーネルを構築し、異種ソースからの情報を統合することで、これらの制限に対処する。 これらの進歩にもかかわらず、伝統的なMKL法は主に連続的な結果のために設計されている。 我々はMKLを拡張して指数族に属する結果変数を対応させ、より広範なデータ型を表現し、提案手法をカーネルと統合された多重加算回帰を持つ一般化線形モデル(GLIMARK)として参照する。 実験により,GLIMARKが真のデータ生成機構を効果的に回復または近似できることが実証された。 我々は、ICUエスカレーションのバイナリ結果を予測し、臨床的に有意義な特徴を抽出し、実際のシナリオにおけるこのアプローチの実用性を裏付ける、新型コロナウイルス胸部X線データセットに適用した。

関連論文リスト

• Predicting kernel regression learning curves from only raw data statistics [8.853323771088883]
  我々は, CIFAR-5m, SVHN, ImageNetなどの実データに対して, 共通の回転不変カーネルを用いたカーネル回帰について検討した。 実験データ行列と対象関数の実証的分解である$f_*$の2つの測定値から学習曲線を予測する理論的枠組みを提案する。 ガウス的データに対してHermite eigenstructure ansatz (HEA) を証明しているが、実画像データはしばしば「ガウス的」である。
  論文  参考訳（メタデータ） (2025-10-16T16:57:59Z)
• Adapting HFMCA to Graph Data: Self-Supervised Learning for Generalizable fMRI Representations [57.054499278843856]
  機能的磁気共鳴画像(fMRI)解析は、データセットのサイズが限られ、研究間でのドメインの変動が原因で大きな課題に直面している。 コンピュータビジョンにインスパイアされた従来の自己教師付き学習手法は、正と負のサンプルペアに依存することが多い。 本稿では,最近開発された階層関数最大相関アルゴリズム(HFMCA)をグラフ構造fMRIデータに適用することを提案する。
  論文  参考訳（メタデータ） (2025-10-05T12:35:01Z)
• Supervised Multiple Kernel Learning approaches for multi-omics data integration [1.3032276477872158]
  マルチカーネル学習(MKL)は、マルチオミクス入力の多様な性質を考える上で、柔軟で有効なアプローチであることが示されている。 我々は、異なるカーネル融合戦略に基づく新しいMKLアプローチを提供する。 その結果、MKLベースのモデルは、より複雑で最先端の教師付きマルチオミクス積分アプローチよりも優れていることが示された。
  論文  参考訳（メタデータ） (2024-03-27T08:48:16Z)
• Single-Cell Deep Clustering Method Assisted by Exogenous Gene Information: A Novel Approach to Identifying Cell Types [50.55583697209676]
  我々は,細胞間のトポロジ的特徴を効率的に捉えるために,注目度の高いグラフオートエンコーダを開発した。 クラスタリング過程において,両情報の集合を統合し,細胞と遺伝子の特徴を再構成し,識別的表現を生成する。 本研究は、細胞の特徴と分布に関する知見を高め、疾患の早期診断と治療の基礎となる。
  論文  参考訳（メタデータ） (2023-11-28T09:14:55Z)
• Scalable Randomized Kernel Methods for Multiview Data Integration and Prediction [4.801208484529834]
  複数のソースからのデータを協調的に関連づけるスケーラブルなランダム化カーネル手法を開発し、同時に結果を予測するか、ユニットを2つ以上のクラスに分類する。 提案手法は,多視点データにおける非線形関係を,臨床結果の予測とともにモデル化し,ビュー間の関係に最も寄与する変数や変数群を同定する。
  論文  参考訳（メタデータ） (2023-04-10T16:14:42Z)
• Inducing Gaussian Process Networks [80.40892394020797]
  本稿では,特徴空間と誘導点を同時に学習するシンプルなフレームワークであるGaussian Process Network (IGN)を提案する。 特に誘導点は特徴空間で直接学習され、複雑な構造化領域のシームレスな表現を可能にする。 実世界のデータセットに対する実験結果から,IGNは最先端の手法よりも大幅に進歩していることを示す。
  論文  参考訳（メタデータ） (2022-04-21T05:27:09Z)
• Kernel learning approaches for summarising and combining posterior similarity matrices [68.8204255655161]
  我々は,ベイズクラスタリングモデルに対するMCMCアルゴリズムの出力を要約するための新しいアプローチを提案するために,後部類似性行列(PSM)の概念を構築した。 我々の研究の重要な貢献は、PSMが正の半定値であり、したがって確率的に動機付けられたカーネル行列を定義するのに使用できることである。
  論文  参考訳（メタデータ） (2020-09-27T14:16:14Z)
• Multi-resolution Super Learner for Voxel-wise Classification of Prostate Cancer Using Multi-parametric MRI [0.0]
  本稿では,データのユニークな構造を考慮し,ボクセルワイドPCa分類を改善する機械学習手法を提案する。 本研究は,PCaの経時的臨床的意義とともに,2値PCa状態の詳細な分類アルゴリズムについて述べる。
  論文  参考訳（メタデータ） (2020-07-02T00:14:55Z)
• Modeling Shared Responses in Neuroimaging Studies through MultiView ICA [94.31804763196116]
  被験者の大規模なコホートを含むグループ研究は、脳機能組織に関する一般的な結論を引き出す上で重要である。 グループ研究のための新しい多視点独立成分分析モデルを提案し、各被験者のデータを共有独立音源と雑音の線形結合としてモデル化する。 まず、fMRIデータを用いて、被験者間の共通音源の同定における感度の向上を示す。
  論文  参考訳（メタデータ） (2020-06-11T17:29:53Z)
• A Systematic Approach to Featurization for Cancer Drug Sensitivity Predictions with Deep Learning [49.86828302591469]
  35,000以上のニューラルネットワークモデルをトレーニングし、一般的な成果化技術を駆使しています。 RNA-seqは128以上のサブセットであっても非常に冗長で情報的であることがわかった。
  論文  参考訳（メタデータ） (2020-04-30T20:42:17Z)

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。