論文の概要: Deep Kernel Learning for Stratifying Glaucoma Trajectories

• arxiv url: http://arxiv.org/abs/2605.00708v1
• Date: Fri, 01 May 2026 14:51:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-04 17:43:28.990412
• Title: Deep Kernel Learning for Stratifying Glaucoma Trajectories
• Title（参考訳）: 成層緑内障軌跡の深層カーネル学習
• Authors: Bruce Rushing, Angela Danquah, Alireza Namazi, Arjun Dirghangi, Heman Shakeri,
• Abstract要約: 臨床医は、スパースや不規則にサンプリングされた電子健康記録からの進行のリスクが高い患者を識別するツールを必要としている。 本稿では,ガウスプロセス(GP)バックエンドを活用した新しい深層カーネル学習アーキテクチャを提案する。
• 参考スコア（独自算出の注目度）: 0.08388591755871733
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Effectively stratifying patient risk in chronic diseases like glaucoma is a major clinical challenge. Clinicians need tools to identify patients at high risk of progression from sparse and irregularly-sampled electronic health records (EHRs). We propose a novel deep kernel learning (DKL) architecture that leverages a Gaussian Process (GP) backend. The GP's kernel is defined by a transformer-based feature extractor applied to clinical-BERT embeddings to model glaucoma patient trajectories from multimodal EHR data. Our method successfully identifies three clinically distinct patient subgroups. Crucially, the model learns to decouple disease progression from current severity, identifying a high-risk group with a worsening trajectory despite having better average visual acuity than a second, stably poor group. This reveals that the model learns to identify progression risk rather than just the current disease state. This ability to stratify patients based on their risk trajectory progression offers a powerful tool for clinical decision support, enabling targeted interventions for high-risk individuals and improving the management of glaucoma care.
• Abstract（参考訳）: 緑内障のような慢性疾患の患者リスクを効果的に階層化することは、大きな臨床課題である。 臨床医は、スパースと不規則にサンプリングされた電子健康記録(EHR)からの進行のリスクが高い患者を識別するツールが必要である。 本稿では,Gaussian Process (GP)バックエンドを活用した新しいDeep kernel Learning (DKL)アーキテクチャを提案する。 GPの核は、マルチモーダルEHRデータから緑内障患者軌跡をモデル化するための臨床的BERT埋め込みに適用されたトランスフォーマーベースの特徴抽出器によって定義される。 本手法は臨床的に異なる3つのサブグループを同定する。 重要なことに、このモデルは病気の進行を現在の重症度から切り離すことを学び、平均的な視力は秒単位の安定的に劣るグループよりも優れているにもかかわらず、悪化する軌跡を持つリスクの高いグループを特定する。 このことは、モデルが現在の疾患状態だけでなく、進行リスクを特定することを学ぶことを明らかにしている。 リスク・トラジェクティブ・プログレクション(リスク・トラジェクティブ・プログレクション)に基づいて患者を階層化するこの能力は、リスクの高い個人に対する標的的介入を可能にし、緑内障治療の管理を改善するための強力なツールを提供する。

関連論文リスト

• A Semantically Enhanced Generative Foundation Model Improves Pathological Image Synthesis [82.01597026329158]
  本稿では,組織合成のための相関調整フレームワーク(CRAFTS)について紹介する。 CRAFTSは、生物学的精度を確保するためにセマンティックドリフトを抑制する新しいアライメント機構を組み込んでいる。 本モデルは,30種類の癌にまたがる多彩な病理像を生成する。
  論文  参考訳（メタデータ） (2025-12-15T10:22:43Z)
• Design and Validation of a Responsible Artificial Intelligence-based System for the Referral of Diabetic Retinopathy Patients [65.57160385098935]
  糖尿病網膜症の早期発見は、視力喪失のリスクを最大95%減少させる可能性がある。 我々は、AIライフサイクル全体にわたる倫理的原則を取り入れた、DRスクリーニングのための責任あるAIシステムであるRAIS-DRを開発した。 当科におけるRAIS-DRをFDA認可のEyeArtシステムと比較した。
  論文  参考訳（メタデータ） (2025-08-17T21:54:11Z)
• Adaptable Cardiovascular Disease Risk Prediction from Heterogeneous Data using Large Language Models [70.64969663547703]
  AdaCVDは、英国バイオバンクから50万人以上の参加者を対象に、大規模な言語モデルに基づいて構築された適応可能なCVDリスク予測フレームワークである。 包括的かつ可変的な患者情報を柔軟に取り込み、構造化データと非構造化テキストの両方をシームレスに統合し、最小限の追加データを使用して新規患者の集団に迅速に適応する。
  論文  参考訳（メタデータ） (2025-05-30T14:42:02Z)
• Machine Learning Solutions Integrated in an IoT Healthcare Platform for Heart Failure Risk Stratification [0.16863755729554883]
  慢性心不全(HF)の管理は、現代医療において重要な課題である。 本稿では,HFリスクのある患者を識別するための機械学習(ML)技術に基づく予測モデルを提案する。
  論文  参考訳（メタデータ） (2025-04-07T14:07:05Z)
• MM-SurvNet: Deep Learning-Based Survival Risk Stratification in Breast Cancer Through Multimodal Data Fusion [18.395418853966266]
  乳がん生存リスク階層化のための新しい深層学習手法を提案する。 画像特徴抽出には視覚変換器、特にMaxViTモデルを使用し、患者レベルでの複雑な画像関係のキャプチャには自己注意を用いる。 二重クロスアテンション機構はこれらの特徴を遺伝データと融合させ、臨床データを最終層に組み込んで予測精度を高める。
  論文  参考訳（メタデータ） (2024-02-19T02:31:36Z)
• Automatic diagnosis of knee osteoarthritis severity using Swin transformer [55.01037422579516]
  変形性膝関節症 (KOA) は膝関節の慢性的な痛みと硬直を引き起こす疾患である。 我々は,Swin Transformer を用いて KOA の重大度を予測する自動手法を提案する。
  論文  参考訳（メタデータ） (2023-07-10T09:49:30Z)
• Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype Prediction [55.94378672172967]
  本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。 新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。 我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
  論文  参考訳（メタデータ） (2020-09-02T02:50:30Z)

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。