論文の概要: MO-RiskVAE: A Multi-Omics Variational Autoencoder for Survival Risk Modeling in Multiple MyelomaMO-RiskVAE

• arxiv url: http://arxiv.org/abs/2604.06267v1
• Date: Tue, 07 Apr 2026 03:58:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-09 17:30:51.133941
• Title: MO-RiskVAE: A Multi-Omics Variational Autoencoder for Survival Risk Modeling in Multiple MyelomaMO-RiskVAE
• Title（参考訳）: MO-RiskVAE:多発性骨髄腫-RiskVAEにおける生存リスクモデリングのための多機能変量オートエンコーダ
• Authors: Zixuan Chen, Heng Zhang, YuPeng Qin, WenPeng Xing, Qiang Wang, Da Wang, Changting Lin, Meng Han,
• Abstract要約: マルチモーダル変量オートエンコーダ (VAE) は多発性骨髄腫における生存リスクモデリングのための強力なフレームワークとして出現している。 数多くの派生案が提案されているが、この設定でどの側面がパフォーマンスを根本的に管理しているかははっきりしない。 生存駆動トレーニングは主に潜伏正規化の規模と構造に敏感であることを示す。
• 参考スコア（独自算出の注目度）: 30.95113097758436
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multimodal variational autoencoders (VAEs) have emerged as a powerful framework for survival risk modeling in multiple myeloma by integrating heterogeneous omics and clinical data. However, when trained under survival supervision, standard latent regularization strategies often fail to preserve prognostically relevant variation, leading to unstable or overly constrained representations. Despite numerous proposed variants, it remains unclear which aspects of latent design fundamentally govern performance in this setting. In this work, we conduct a controlled investigation of latent modeling choices for multimodal survival prediction within a unified extension of the MyeVAE framework. By systematically isolating regularization scale, posterior geometry, and latent space structure under identical architectures and optimization protocols, we show that survival-driven training is primarily sensitive to the magnitude and structure of latent regularization rather than the specific divergence formulation. In particular, moderate relaxation of KL regularization consistently improves survival discrimination, while alternative divergence mechanisms such as MMD and HSIC provide limited benefit without appropriate scaling. We further demonstrate that structuring the latent space can improve alignment between learned representations and survival risk gradients. A hybrid continuous--discrete formulation based on Gumbel--Softmax enhances global risk ordering in the continuous latent subspace, even though stable discrete subtype discovery does not emerge under survival supervision. Guided by these findings, we instantiate a robust multimodal survival model, termed MO-RiskVAE, which consistently improves risk stratification over the original MyeVAE without introducing additional supervision or complex training heuristics.
• Abstract（参考訳）: マルチモーダル変量オートエンコーダ(VAE)は、異種オミクスと臨床データを統合することで、多発性骨髄腫における生存リスクモデリングの強力なフレームワークとして登場した。 しかし、生存監督下で訓練された場合、標準的な潜在正規化戦略は、しばしば予後に関連のある変動を保たず、不安定または過度に制約された表現をもたらす。 数多くの派生案が提案されているが、この設定でどの側面がパフォーマンスを根本的に管理しているかははっきりしない。 本研究では,MyeVAEフレームワークの統合拡張において,マルチモーダルサバイバル予測のための潜在モデル選択の制御を行う。 同一のアーキテクチャと最適化プロトコルの下で, 正則化スケール, 後続幾何学, 潜時空間構造を体系的に分離することにより, 生存駆動型トレーニングは, 特定の発散の定式化よりも, 潜時正規化の大きさや構造に主に敏感であることを示す。 特に、KL正則化の適度な緩和は生存の差別を一貫して改善する一方、MDDやHSICのような代替の分岐機構は適切なスケーリングをせずに限られた利益をもたらす。 さらに、潜在空間の構造化により、学習された表現と生存リスク勾配との整合性が向上することを示した。 Gumbel--Softmax に基づくハイブリッド型連続離散型定式化は、安定な離散型サブタイプ発見が生存監督下では発生しないにもかかわらず、連続潜伏部分空間における大域的リスク秩序を高める。 これらの知見により、我々はMO-RiskVAEと呼ばれる頑健なマルチモーダルサバイバルモデルをインスタンス化し、新たな監督や複雑なトレーニングヒューリスティックを導入することなく、元のMyeVAEに対するリスク階層化を継続的に改善する。

関連論文リスト

• CURVE: Learning Causality-Inspired Invariant Representations for Robust Scene Understanding via Uncertainty-Guided Regularization [30.613712415224473]
  CURVEは、変動不確実性モデリングと不確実性誘導構造正規化を統合し、高分散関係を抑制するフレームワークである。 具体的には,環境依存的変動から不変な相互作用力学を解離させ,スパースかつ領域安定なトポロジを促進させる。 実験により,CURVEをゼロショット転送と低データのsim-to-real適応で評価し,領域安定なスパーストポロジの学習能力を検証するとともに,分布シフト下でのリスク予測を支援するための信頼性の高い不確実性推定を行う。
  論文  参考訳（メタデータ） (2026-01-28T08:15:56Z)
• Deep Learning Approach for Clinical Risk Identification Using Transformer Modeling of Heterogeneous EHR Data [0.0]
  本研究では,トランスフォーマーを用いた経時的モデリング手法を提案し,異種ERHデータを用いた臨床リスク分類の課題に対処する。 この方法はマルチソース医療機能を入力とし、構造化データと非構造化データの統一表現を実現するために特徴埋め込み層を用いる。 実験結果から,提案モデルは従来の機械学習モデルや時間的深層学習モデルよりも精度,リコール,精度,F1スコアで優れていた。
  論文  参考訳（メタデータ） (2025-11-06T08:02:21Z)
• AdaMHF: Adaptive Multimodal Hierarchical Fusion for Survival Prediction [29.11927806428086]
  AdaMHFは、効率的で包括的で調整された特徴抽出と融合のために設計されたフレームワークである。 これは医療データのユニークさに特化しており、最小限のリソース消費で正確な予測を可能にする。 TCGAデータセットに対する大規模な実験は、AdaMHFが現在の最先端の手法を超越していることを示している。
  論文  参考訳（メタデータ） (2025-03-27T03:27:55Z)
• Source-free Domain Adaptation Requires Penalized Diversity [60.04618512479438]
  ソースデータがない場合、異なるドメイン間の知識伝達に対処するために、ソースフリードメイン適応(SFDA)が導入された。 教師なしのFDAでは、多様性はソース上の1つの仮説を学習するか、共有された特徴抽出器で複数の仮説を学習することに限定される。 本稿では,異なる特徴抽出器を用いて表現多様性を促進する新しい無教師付きSFDAアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-04-06T00:20:19Z)
• Trustworthy Multimodal Regression with Mixture of Normal-inverse Gamma Distributions [91.63716984911278]
  このアルゴリズムは、異なるモードの適応的統合の原理における不確かさを効率的に推定し、信頼できる回帰結果を生成する。 実世界のデータと実世界のデータの両方に対する実験結果から,多モード回帰タスクにおける本手法の有効性と信頼性が示された。
  論文  参考訳（メタデータ） (2021-11-11T14:28:12Z)
• Regularizing Variational Autoencoder with Diversity and Uncertainty Awareness [61.827054365139645]
  変分オートエンコーダ(VAE)は、償却変分推論に基づいて潜伏変数の後部を近似する。 よりディバースで不確実な潜在空間を学習するための代替モデルDU-VAEを提案する。
  論文  参考訳（メタデータ） (2021-10-24T07:58:13Z)
• Bayesian Uncertainty Estimation of Learned Variational MRI Reconstruction [63.202627467245584]
  我々は,モデル不連続な不確かさを定量化するベイズ変分フレームワークを提案する。 提案手法はMRIのアンダーサンプを用いた再建術の術後成績を示す。
  論文  参考訳（メタデータ） (2021-02-12T18:08:14Z)
• WRSE -- a non-parametric weighted-resolution ensemble for predicting individual survival distributions in the ICU [0.251657752676152]
  集中治療室(ICU)における死亡リスクの動的評価は、患者を階層化し、治療効果を知らせたり、早期警戒システムの一部として機能したりすることができる。 現状の確率モデルと競合する結果を示すとともに,2～9倍のトレーニング時間を大幅に短縮する。
  論文  参考訳（メタデータ） (2020-11-02T10:13:59Z)
• The Risks of Invariant Risk Minimization [52.7137956951533]
  不変リスク最小化(Invariant Risk Minimization)は、データの深い不変性を学ぶという考え方に基づく目標である。 我々は、IRMの目的に基づく分類の最初の分析と、最近提案されたこれらの代替案について、かなり自然で一般的なモデルで分析する。 IRMは、テストデータがトレーニング分布と十分に類似していない限り、破滅的に失敗する可能性がある。
  論文  参考訳（メタデータ） (2020-10-12T14:54:32Z)
• Survival Cluster Analysis [93.50540270973927]
  異なるリスクプロファイルを持つサブポピュレーションを特定するために、生存分析には未解決の必要性がある。 このニーズに対処するアプローチは、個々の成果のキャラクタリゼーションを改善する可能性が高い。
  論文  参考訳（メタデータ） (2020-02-29T22:41:21Z)

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。