論文の概要: Learning Disease-Sensitive Latent Interaction Graphs From Noisy Cardiac Flow Measurements

• arxiv url: http://arxiv.org/abs/2602.23035v1
• Date: Thu, 26 Feb 2026 14:17:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-27 18:41:22.717289
• Title: Learning Disease-Sensitive Latent Interaction Graphs From Noisy Cardiac Flow Measurements
• Title（参考訳）: 雑音性心血流計測による病原性潜伏性相互作用グラフの学習
• Authors: Viraj Patel, Marko Grujic, Philipp Aigner, Theodor Abart, Marcus Granegger, Deblina Bhattacharjee, Katharine Fraser,
• Abstract要約: グラフ内の相互作用ノードとして心臓の渦をモデル化するための物理インフォームド・潜時関係フレームワークを提案する。 我々のモデルは、神経関係推論アーキテクチャと物理にインスパイアされた相互作用エネルギーと生死のダイナミクスを組み合わせることで、病気の重症度と介入レベルに敏感な潜伏グラフを生成する。
• 参考スコア（独自算出の注目度）: 4.124036410364937
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Cardiac blood flow patterns contain rich information about disease severity and clinical interventions, yet current imaging and computational methods fail to capture underlying relational structures of coherent flow features. We propose a physics-informed, latent relational framework to model cardiac vortices as interacting nodes in a graph. Our model combines a neural relational inference architecture with physics-inspired interaction energy and birth-death dynamics, yielding a latent graph sensitive to disease severity and intervention level. We first apply this to computational fluid dynamics simulations of aortic coarctation. Learned latent graphs reveal that as the aortic radius narrows, vortex interactions become stronger and more frequent. This leads to a higher graph entropy, correlating monotonically with coarctation severity ($R^2=0.78$, Spearman $|ρ|=0.96$). We then extend this method to ultrasound datasets of left ventricles under varying levels of left ventricular assist device support. Again the latent graph representation captures the weakening of coherent vortical structures, thereby demonstrating cross-modal generalisation. Results show latent interaction graphs and entropy serve as robust and interpretable markers of cardiac disease and intervention.
• Abstract（参考訳）: 心臓血流パターンは、病気の重症度と臨床介入に関する豊富な情報を含んでいるが、現在の画像と計算法は、コヒーレントフローの特徴の根底にある関係構造を捉えていない。 グラフ内の相互作用ノードとして心臓の渦をモデル化するための物理インフォームド・潜時関係フレームワークを提案する。 我々のモデルは、神経関係推論アーキテクチャと物理にインスパイアされた相互作用エネルギーと生死のダイナミクスを組み合わせることで、病気の重症度と介入レベルに敏感な潜伏グラフを生成する。 まず,大動脈瘤の数値流体力学シミュレーションに適用する。 学習された潜在グラフは、大動脈半径が狭まるにつれて渦相互作用が強くなり、より頻繁になることを示している。 これはより高次のグラフエントロピーをもたらし、単調に弧状度(R^2=0.78$, Spearman $|ρ|=0.96$)と関連付ける。 次に,左室補助装置の各種レベルにおける左室の超音波データセットに拡張する。 また、潜在グラフ表現はコヒーレントな渦構造の弱化を捉え、それによってクロスモーダルな一般化を示す。 その結果, 潜在性相互作用グラフとエントロピーは, 心臓疾患や介入の堅牢かつ解釈可能なマーカーであることがわかった。

関連論文リスト

• Spatiotemporal graph neural process for reconstruction, extrapolation, and classification of cardiac trajectories [1.7123388415209657]
  この研究は、心臓の動きを解析するための柔軟なアプローチを導入している。 構造化バイオメディカル時系列データにおけるグラフベースの学習の基礎を提供する。
  論文  参考訳（メタデータ） (2025-09-16T10:57:51Z)
• Beyond Feature Importance: Feature Interactions in Predicting Post-Stroke Rigidity with Graph Explainable AI [12.69689718988924]
  筋緊張と硬さを特徴とする後ストローク剛性は、生存者の移動性や生活の質に大きな影響を及ぼす。 本研究は,グラフに基づく説明可能なAIによって特徴的相互作用を強調することによって,ストローク後の剛性を予測するという課題に対処する。
  論文  参考訳（メタデータ） (2025-04-10T22:20:22Z)
• Balanced Graph Structure Information for Brain Disease Detection [6.799894169098717]
  グラフ畳み込みネットワーク(GCN)を用いたフィルタ相関行列と最適サンプルグラフの2つのグラフ構造をモデル化したBargrainを提案する。 我々の広範な実験に基づいて、Bargrainは、平均的なF1スコアによって測定された脳疾患データセットの分類タスクにおいて、最先端の手法よりも優れています。
  論文  参考訳（メタデータ） (2023-12-30T06:50:52Z)
• DBGDGM: Dynamic Brain Graph Deep Generative Model [63.23390833353625]
  グラフは機能的磁気画像(fMRI)データから得られる脳活動の自然な表現である。 機能的接続ネットワーク(FCN)として知られる解剖学的脳領域のクラスターは、脳の機能や機能不全を理解するのに有用なバイオマーカーとなる時間的関係を符号化することが知られている。 しかし、以前の研究は脳の時間的ダイナミクスを無視し、静的グラフに焦点を当てていた。 本稿では,脳の領域を時間的に進化するコミュニティにクラスタリングし,非教師なしノードの動的埋め込みを学習する動的脳グラフ深部生成モデル(DBGDGM)を提案する。
  論文  参考訳（メタデータ） (2023-01-26T20:45:30Z)
• Causally-guided Regularization of Graph Attention Improves Generalizability [69.09877209676266]
  本稿では,グラフアテンションネットワークのための汎用正規化フレームワークであるCARを紹介する。 メソッド名は、グラフ接続に対するアクティブ介入の因果効果とアテンションメカニズムを一致させる。 ソーシャル・メディア・ネットワーク規模のグラフでは、CAR誘導グラフ再構成アプローチにより、グラフの畳み込み手法のスケーラビリティとグラフの注意力の向上を両立させることができる。
  論文  参考訳（メタデータ） (2022-10-20T01:29:10Z)
• Graph-in-Graph (GiG): Learning interpretable latent graphs in non-Euclidean domain for biological and healthcare applications [52.65389473899139]
  グラフは、医療領域において、非ユークリッドな非ユークリッドデータをユビキタスに表現し、分析するための強力なツールである。 近年の研究では、入力データサンプル間の関係を考慮すると、下流タスクに正の正の正則化効果があることが示されている。 タンパク質分類と脳イメージングのためのニューラルネットワークアーキテクチャであるGraph-in-Graph(GiG)を提案する。
  論文  参考訳（メタデータ） (2022-04-01T10:01:37Z)
• Relation Matters in Sampling: A Scalable Multi-Relational Graph Neural Network for Drug-Drug Interaction Prediction [6.685734268578486]
  本稿では,グラフニューラルネットワークにおける近傍サンプリングにおける関係型の重要性をモデル化する手法を提案する。 薬物と薬物の相互作用予測実験により、最先端のグラフニューラルネットワークは関係性に依存したサンプリングによって利益を得ることが示された。
  論文  参考訳（メタデータ） (2021-05-28T16:55:09Z)
• Hyperbolic Graph Embedding with Enhanced Semi-Implicit Variational Inference [48.63194907060615]
  半単純グラフ変分自動エンコーダを用いて,低次元グラフ潜在表現における高次統計量を取得する。 我々は、階層構造を示すグラフを効率的に表現するために、ポインケア埋め込みを通して潜在空間に双曲幾何学を組み込む。
  論文  参考訳（メタデータ） (2020-10-31T05:48:34Z)
• Dynamic Graph Correlation Learning for Disease Diagnosis with Incomplete Labels [66.57101219176275]
  胸部X線画像上の疾患診断は,多ラベル分類の課題である。 本稿では,異なる疾患間の相互依存を調査する新たな視点を提示する病的診断グラフ畳み込みネットワーク(DD-GCN)を提案する。 本手法は,相関学習のための動的隣接行列を用いた特徴写像上のグラフを初めて構築する手法である。
  論文  参考訳（メタデータ） (2020-02-26T17:10:48Z)
• Learning Dynamic and Personalized Comorbidity Networks from Event Data using Deep Diffusion Processes [102.02672176520382]
  コンコルビンド病は、個人によって異なる複雑な時間的パターンを通じて発生し進行する。 電子的な健康記録では、患者が持つ異なる疾患を観察できるが、それぞれの共死状態の時間的関係を推測できるだけである。 我々は「ダイナミック・コオービディティ・ネットワーク」をモデル化するための深層拡散プロセスを開発する。
  論文  参考訳（メタデータ） (2020-01-08T15:47:08Z)

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。