論文の概要: Seeking Necessary and Sufficient Information from Multimodal Medical Data

• arxiv url: http://arxiv.org/abs/2603.00289v1
• Date: Fri, 27 Feb 2026 20:15:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-03 19:50:56.133436
• Title: Seeking Necessary and Sufficient Information from Multimodal Medical Data
• Title（参考訳）: マルチモーダル医療データから必要な情報と十分な情報を探す
• Authors: Boyu Chen, Weiye Bao, Junjie Liu, Michael Shen, Bo Peng, Paul Taylor, Zhu Li, Mengyue Yang,
• Abstract要約: 必要なこと(結果を起こすためには存在する必要がある)と十分なこと(結果を決定するのに十分である)の両方を学習の特徴を見渡すマルチモーダルモデル このような特徴を学習することは,本質的な予測情報を取得することによって,モデルの性能を向上させる上で極めて重要である,と我々は主張する。 人工的および実世界の医療データセットに関する実験は、我々の方法の有効性を実証する。
• 参考スコア（独自算出の注目度）: 25.069100836193574
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Learning multimodal representations from medical images and other data sources can provide richer information for decision-making. While various multimodal models have been developed for this, they overlook learning features that are both necessary (must be present for the outcome to occur) and sufficient (enough to determine the outcome). We argue learning such features is crucial as they can improve model performance by capturing essential predictive information, and enhance model robustness to missing modalities as each modality can provide adequate predictive signals. Such features can be learned by leveraging the Probability of Necessity and Sufficiency (PNS) as a learning objective, an approach that has proven effective in unimodal settings. However, extending PNS to multimodal scenarios remains underexplored and is non-trivial as key conditions of PNS estimation are violated. We address this by decomposing multimodal representations into modality-invariant and modality-specific components, then deriving tractable PNS objectives for each. Experiments on synthetic and real-world medical datasets demonstrate our method's effectiveness. Code will be available on GitHub.
• Abstract（参考訳）: 医療画像やその他のデータソースからマルチモーダル表現を学習することで、意思決定のためのよりリッチな情報を提供することができる。 この目的のために様々なマルチモーダルモデルが開発されているが、それらは必要な学習機能(結果が生まれるには存在しない)と十分な(結果を決定するのに十分)の両方を見落としている。 このような特徴の学習は,本質的な予測情報を取得することによってモデル性能を向上させることが重要であり,各モダリティが適切な予測信号を提供できるため,モダリティの欠如によるモデル堅牢性の向上が期待できる。 このような特徴は、学習目的としてPNS(Probability of Necessity and Sufficiency)を活用することで学習することができる。 しかしながら、PSNをマルチモーダルシナリオに拡張することは未定であり、PSN推定の重要な条件が破られるため、非自明である。 マルチモーダル表現をモダリティ不変成分とモダリティ特化成分に分解し,それぞれにトラクタブル PNS の目的を導出することで,この問題に対処する。 人工的および実世界の医療データセットに関する実験は、我々の方法の有効性を実証する。 コードはGitHubで入手できる。

関連論文リスト

• Learning Contrastive Multimodal Fusion with Improved Modality Dropout for Disease Detection and Prediction [17.717216490402482]
  改良されたモダリティドロップアウトとコントラスト学習を統合した,新しいマルチモーダル学習フレームワークを提案する。 疾患検出および予測タスクのための大規模臨床データセットの枠組みを検証した。 本研究は,マルチモーダル学習におけるアプローチの有効性,効率,一般化性を明らかにするものである。
  論文  参考訳（メタデータ） (2025-09-22T18:12:12Z)
• 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)
• What are You Looking at? Modality Contribution in Multimodal Medical Deep Learning [0.0]
  医療における高次元マルチモーダル患者データの普及を考えると、マルチモーダルモデルの開発は大きな進歩をみせている。 本稿では,そのタスクを果たすためのモデルのデータセットにおける各モダリティの重要性を計測する手法を提案する。 いくつかのネットワークは、一様崩壊の傾向にあるモダリティの選好を持ち、いくつかのデータセットはゼロから不均衡であることがわかった。
  論文  参考訳（メタデータ） (2025-02-28T12:39:39Z)
• MIND: Modality-Informed Knowledge Distillation Framework for Multimodal Clinical Prediction Tasks [50.98856172702256]
  マルチモーダルモデル圧縮手法である MIND (Modality-Informed Knowledge Distillation) フレームワークを提案する。 MINDは、様々なサイズの事前訓練されたディープニューラルネットワークのアンサンブルから、より小さなマルチモーダルの学生に知識を伝達する。 時系列データと胸部X線画像を用いた2値および複数ラベルの臨床予測タスクにおけるMINDの評価を行った。
  論文  参考訳（メタデータ） (2025-02-03T08:50:00Z)
• Promoting cross-modal representations to improve multimodal foundation models for physiological signals [3.630706646160043]
  マスク付きオートエンコーディング目標を用いて,マルチモーダルモデルの事前学習を行う。 このモデルでは,様々な下流タスクに対して線形に探索できる表現を学習できることが示されている。 クロスモダリティを誘導する明示的な手法は、マルチモーダル事前訓練戦略を強化する可能性があると論じる。
  論文  参考訳（メタデータ） (2024-10-21T18:47:36Z)
• Seeking the Sufficiency and Necessity Causal Features in Multimodal Representation Learning [21.309673318309294]
  必要満足度(PNS)の確率は、結果を予測するのに必要かつ十分である特徴セットの可能性を測る。 単調なデータの表現学習を指導し、予測性能とモデルロバスト性の両方を高める効果が証明されている。 この拡張は、PNS推定、異種性、単調性の条件がマルチモーダルな文脈で再考される必要があるため、ユニークな課題を示す。
  論文  参考訳（メタデータ） (2024-08-29T14:43:42Z)
• Towards Precision Healthcare: Robust Fusion of Time Series and Image Data [8.579651833717763]
  本稿では,データの種類毎に2つのエンコーダを用いて,視覚情報と時間情報の両方において複雑なパターンをモデル化する手法を提案する。 また、不均衡なデータセットに対処し、不確実性損失関数を使用し、改善した結果を得る。 本手法は,臨床応用におけるマルチモーダルディープラーニングの改善に有効であることを示す。
  論文  参考訳（メタデータ） (2024-05-24T11:18:13Z)
• Diffusion Model is an Effective Planner and Data Synthesizer for Multi-Task Reinforcement Learning [101.66860222415512]
  Multi-Task Diffusion Model (textscMTDiff) は、トランスフォーマーのバックボーンを組み込んだ拡散に基づく手法であり、生成計画とデータ合成のための素早い学習を行う。 生成計画において、textscMTDiffはMeta-World上の50のタスクとMaze2D上の8のマップで最先端のアルゴリズムより優れています。
  論文  参考訳（メタデータ） (2023-05-29T05:20:38Z)
• Quantifying & Modeling Multimodal Interactions: An Information Decomposition Framework [89.8609061423685]
  本稿では,入力モーダル性と出力タスクを関連付けた冗長性,特異性,シナジーの度合いを定量化する情報理論手法を提案する。 PID推定を検証するために、PIDが知られている合成データセットと大規模マルチモーダルベンチマークの両方で広範な実験を行う。 本研究では,(1)マルチモーダルデータセット内の相互作用の定量化,(2)マルチモーダルモデルで捉えた相互作用の定量化,(3)モデル選択の原理的アプローチ,(4)実世界のケーススタディの3つにその有用性を示す。
  論文  参考訳（メタデータ） (2023-02-23T18:59:05Z)
• M2Net: Multi-modal Multi-channel Network for Overall Survival Time Prediction of Brain Tumor Patients [151.4352001822956]
  生存時間(OS)の早期かつ正確な予測は、脳腫瘍患者に対するより良い治療計画を得るのに役立つ。 既存の予測手法は、磁気共鳴(MR)ボリュームの局所的な病変領域における放射能特性に依存している。 我々は,マルチモーダルマルチチャネルネットワーク(M2Net)のエンドツーエンドOS時間予測モデルを提案する。
  論文  参考訳（メタデータ） (2020-06-01T05:21:37Z)
• Diversity inducing Information Bottleneck in Model Ensembles [73.80615604822435]
  本稿では,予測の多様性を奨励することで,ニューラルネットワークの効果的なアンサンブルを生成する問題をターゲットにする。 そこで本研究では,潜伏変数の学習における逆損失の多様性を明示的に最適化し,マルチモーダルデータのモデリングに必要な出力予測の多様性を得る。 最も競争力のあるベースラインと比較して、データ分布の変化の下で、分類精度が大幅に向上した。
  論文  参考訳（メタデータ） (2020-03-10T03:10:41Z)
• Modality Compensation Network: Cross-Modal Adaptation for Action Recognition [77.24983234113957]
  異なるモダリティの関係を探索するためのモダリティ補償ネットワーク(MCN)を提案する。 我々のモデルは、適応表現学習を実現するために、モーダリティ適応ブロックによって、ソースおよび補助モーダリティからのデータをブリッジする。 実験の結果,MCNは4つの広く使用されている行動認識ベンチマークにおいて,最先端のアプローチよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2020-01-31T04:51:55Z)

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。