論文の概要: Federated Semi-Supervised Graph Neural Networks with Prototype-Guided Pseudo-Labeling for Privacy-Preserving Gestational Diabetes Mellitus Prediction

• arxiv url: http://arxiv.org/abs/2605.01810v1
• Date: Sun, 03 May 2026 10:26:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-05 20:33:49.948415
• Title: Federated Semi-Supervised Graph Neural Networks with Prototype-Guided Pseudo-Labeling for Privacy-Preserving Gestational Diabetes Mellitus Prediction
• Title（参考訳）: プライバシ保存型静止糖尿病予測のためのプロトタイプガイド擬似ラベル付き半監督グラフニューラルネットワーク
• Authors: G. Victor Daniela, A. Mallikarjuna Reddya, Uday Kumar Addankia, Sridhar Reddy Gogua, Sravanth Kumar Ramakuria,
• Abstract要約: Gestational Diabetes Mellitusは高頻度妊娠合併症である。 機械学習の現実的な臨床展開には、2つの制約が伴う。 ラベルの不足とデータのプライバシーは、患者レベルのデータを病院間で共有することを防ぐ。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Gestational Diabetes Mellitus (GDM) is a high-prevalence pregnancy complication that requires accurate early risk stratification to reduce maternal and fetal morbidity. However, real-world clinical deployment of machine learning is hindered by two coupled constraints: (i) label scarcity, where a large fraction of electronic health records (EHR) lack confirmed diagnostic labels, and (ii) data privacy, which prevents sharing patient-level data across hospitals. This paper proposes FedTGNN-SS, a privacy-preserving federated semi-supervised framework for clinical tabular EHR. Each hospital builds a local k-nearest-neighbor patient similarity graph and trains a topology-adaptive GNN encoder. To robustly exploit unlabeled records, FedTGNN-SS combines (1) prototype-guided pseudo-labeling with neighborhood agreement, (2) adaptive graph refinement that periodically updates the k-NN graph using learned embeddings, (3) clinical-aware consistency augmentation applied only to continuous variables, and (4) privacy-safe prototype sharing that exchanges only class-level centroids. Across three diabetes-related datasets (GDM: N = 3,525; Pima: N = 768; Early Stage: N = 520) under 10\%-80\% missing labels per silo, FedTGNN-SS achieves 56 significant wins ($p < 0.05$) against 11 federated baselines and attains strong AUROC under extreme scarcity (Pima: 0.8037 at 80\% missing, Early Stage: 0.9634 at 80\% missing).
• Abstract（参考訳）: Gestational Diabetes Mellitus (GDM) は妊娠の頻度の高い合併症であり、母体と胎児の死亡率を減らすために正確な早期のリスク層化を必要とする。 しかし、機械学習の実際の臨床展開には2つの制約が伴う。 (i)電子健康記録(EHR)に確認された診断ラベルがないラベル不足、及び (ii)データプライバシは、患者レベルのデータを病院間で共有することを防ぐ。 本稿では,プライバシ保護のための半教師付き半教師付きフレームワークであるFedTGNN-SSを提案する。 各病院は、局所的なk-nearest-neighbor患者類似性グラフを構築し、トポロジー適応型GNNエンコーダを訓練する。 ラベルなしレコードを堅牢に活用するために,(1)プロトタイプガイド付き擬似ラベル作成と近傍合意,(2)学習埋め込みを用いてk-NNグラフを周期的に更新する適応グラフ改良,(3)連続変数のみに適用する臨床意識の整合性向上,(4)クラスレベルのセントロイドのみを交換するプライバシセーフなプロトタイプ共有を組み合わせた。 3つの糖尿病関連データセット(GDM: N = 3,525; Pima: N = 768; Early Stage: N = 520)において、サイロ当たり10\%-80\%のラベルが失われ、FedTGNN-SSは、11の連邦ベースラインに対して56つの重要な勝利(p < 0.05$)を達成し、極端な不足下で強いAUROCを達成する(Pima: 0.8037 at 80\% 欠損、早期ステージ: 0.9634 at 80\% 不足、早期ステージ: 0.9634 at 80\% 不足)。

関連論文リスト

• Beyond Anatomy: Explainable ASD Classification from rs-fMRI via Functional Parcellation and Graph Attention Networks [6.923757075165361]
  解剖学的脳解析は rs-fMRI に基づく自閉症スペクトラム障害 (ASD) の分類を支配している。 ABIDE Iデータセット上の解剖学的(AAL)と機能的(MSDL)パーセレーション戦略を比較したグラフベースのディープラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-03T02:05:20Z)
• Sepsis Prediction Using Graph Convolutional Networks over Patient-Feature-Value Triplets [10.151360630975482]
  本稿では,単一ブランチグラフ畳み込みモデルであるTriplet-GCNを提案する。 グラフ畳み込みネットワーク(GCN)と軽量多層パーセプトロン(MLP)を用いて患者埋め込みを学習する。
  論文  参考訳（メタデータ） (2025-12-05T04:30:48Z)
• RareGraph-Synth: Knowledge-Guided Diffusion Models for Generating Privacy-Preserving Synthetic Patient Trajectories in Ultra-Rare Diseases [0.0]
  超希少疾患の軌跡を生成する知識誘導型連続拡散フレームワークを提案する。 RareGraph-Synthは5つの公開リソースを約8Mの型付きエッジからなる異種知識グラフに統合する。 保護された健康情報を含まない、ラボコード、薬物コード、悪臭の三重奏のタイムスタンプが生成される。
  論文  参考訳（メタデータ） (2025-10-06T03:59:09Z)
• Peptidomic-Based Prediction Model for Coronary Heart Disease Using a Multilayer Perceptron Neural Network [0.0]
  冠動脈心疾患(CHD)は、世界中で死因の主要な疾患であり、毎年の医療費に大きく貢献する。 非侵襲的な診断手法を開発するために,マルチ層パーセプトロン(MLP)ニューラルネットワークに基づくモデルを構築した。 このモデルは95.67パーセントの精度、感度、特異性を達成し、F1スコアは0.9565である。
  論文  参考訳（メタデータ） (2025-09-04T04:54:02Z)
• A Novel Attention-Augmented Wavelet YOLO System for Real-time Brain Vessel Segmentation on Transcranial Color-coded Doppler [49.03919553747297]
  我々は,脳動脈を効率よく捉えることができるAIを利用したリアルタイムCoW自動分割システムを提案する。 Transcranial Color-coded Doppler (TCCD) を用いたAIによる脳血管セグメンテーションの事前研究は行われていない。 提案したAAW-YOLOは, 異方性および対側性CoW容器のセグメンテーションにおいて高い性能を示した。
  論文  参考訳（メタデータ） (2025-08-19T14:41:22Z)
• Privacy Preserved Blood Glucose Level Cross-Prediction: An Asynchronous Decentralized Federated Learning Approach [13.363740869325646]
  新たに診断された1型糖尿病(T1D)患者は、効果的な血液グルコース(BG)予測モデルを得るのに苦慮することが多い。 Asynchronous Decentralized Federated Learning による血糖予測である「GluADFL」を提案する。
  論文  参考訳（メタデータ） (2024-06-21T17:57:39Z)
• Weakly-supervised positional contrastive learning: application to cirrhosis classification [45.63061034568991]
  大規模な医療画像データセットは、低信頼で弱いラベルで安価に注釈を付けることができる。 組織学に基づく診断のような高信頼なラベルへのアクセスは稀で費用がかかる。 提案手法は,効率的な弱教師付き位置対応学習戦略 (WSP) を提案する。
  論文  参考訳（メタデータ） (2023-07-10T15:02:13Z)
• Learning to diagnose cirrhosis from radiological and histological labels with joint self and weakly-supervised pretraining strategies [62.840338941861134]
  そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。 我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。 この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
  論文  参考訳（メタデータ） (2023-02-16T17:06:23Z)
• CovidDeep: SARS-CoV-2/COVID-19 Test Based on Wearable Medical Sensors and Efficient Neural Networks [51.589769497681175]
  新型コロナウイルス(SARS-CoV-2)がパンデミックを引き起こしている。 SARS-CoV-2の逆転写-ポリメラーゼ連鎖反応に基づく現在の試験体制は、試験要求に追いついていない。 我々は,効率的なDNNと市販のWMSを組み合わせたCovidDeepというフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-07-20T21:47:28Z)
• Automated Intracranial Artery Labeling using a Graph Neural Network and Hierarchical Refinement [45.85443690049826]
  属性付きリレーショナルグラフにおけるノードとエッジのタイプを分類し,動脈をラベル付けするグラフニューラルネットワーク(GNN)手法を提案する。 我々の手法は97.5%の精度でノードラベリングを行い、63.8%のスキャンはウィリスのすべてのノードに対して正しくラベル付けされた。
  論文  参考訳（メタデータ） (2020-07-11T06:22:35Z)

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。