論文の概要: Automatic Discovery of Disease Subgroups by Contrasting with Healthy Controls

• arxiv url: http://arxiv.org/abs/2605.21301v1
• Date: Wed, 20 May 2026 15:31:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-21 19:19:56.752827
• Title: Automatic Discovery of Disease Subgroups by Contrasting with Healthy Controls
• Title（参考訳）: 健康管理との対比による疾患サブグループの自動発見
• Authors: Robin Louiset, Edouard Duchesnay, Benoit Dufumier, Antoine Grigis, Pietro Gori,
• Abstract要約: 我々はDeep UCSLと題するコントラシティブサブグループ探索法を開発した。 コントロールを持つ患者と対比することにより、Deep UCSLは、病因のみによって引き起こされるサブグループを特定する。 我々のフレームワークは、識別表現空間を学習するために、深い特徴抽出器を使用している。
• 参考スコア（独自算出の注目度）: 8.272083537040182
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: In biomedical Subgroup Discovery, practitioners are interested in discovering interpretable and homogeneous subgroups within a group of patients. In this paper, assuming that healthy subjects (i.e., controls) share common but irrelevant factors of variation with the patients, we motivate and develop a Contrastive Subgroup Discovery method, entitled Deep UCSL. By contrasting patients with controls, Deep UCSL identifies subgroups driven solely by pathological factors, ignoring common variability shared with healthy subjects. Our framework employs a deep feature extractor to learn a discriminative representation space. Mathematically, we derive a novel loss based on the conditional joint likelihood of latent clusters and patient/control labels, optimized via an Expectation-Maximization strategy alternating between subgroup inference and feature encoder updates. A regularization term further encourages representations to capture disease-specific variability while ignoring variability shared with controls. Compared to previous related works, our approach quantitatively improves the quality of the estimated subgroups, as demonstrated on a MNIST example and four distinct real medical imaging datasets. Code and datasets are available at: https://github.com/rlouiset/deep_ucsl.
• Abstract（参考訳）: バイオメディカルサブグループディスカバリー(英語版)では、実践者は患者のグループ内で解釈可能で均質なサブグループを発見することに興味がある。 本稿では、健常者(すなわち、コントロール)が患者に共通しているが無関係な要因を共有していると仮定し、Deep UCSLと題するContrastive Subgroup Discovery法を考案・開発する。 コントロールのある患者と対比することにより、Deep UCSLは、健康な被験者と共有される共通変数を無視して、病的要因のみによって駆動されるサブグループを特定する。 我々のフレームワークは、識別表現空間を学習するために、深い特徴抽出器を使用している。 数学的には,サブグループ推論と特徴エンコーダ更新を交互に組み合わせた期待最大化戦略を用いて,潜伏クラスタと患者/制御ラベルの条件付き結合可能性に基づいて,新たな損失を導出する。 正規化用語は、コントロールと共有される変数を無視しながら、病気固有の変数をキャプチャする表現をさらに奨励する。 MNISTの例と4つの異なる医用画像データセットで示されるように,本手法では推定サブグループの質を定量的に改善する。 コードとデータセットは、https://github.com/rlouiset/deep_ucsl.comで入手できる。

関連論文リスト

• Identifying latent disease factors differently expressed in patient subgroups using group factor analysis [54.67330718129736]
  本稿では,サブグループ特異的およびサブグループ共通潜在因子を明らかにするための新しいアプローチを提案する。 提案手法は,正規化されたホースシュー先行群を用いたスパース群因子解析 (GFA) であり,確率計画法を用いて実装した。
  論文  参考訳（メタデータ） (2024-10-10T13:12:14Z)
• Unsupervised Learning Approaches for Identifying ICU Patient Subgroups: Do Results Generalise? [0.0]
  患者サブグループを特定するための教師なし学習の使用は、ICU効率を改善するための潜在的に有望な方向として現れている。 ICUに共通するサブグループが存在するかは定かでないが,ICU再構成が標準化された方法で実施可能かは定かでない。 医療資源のニーズを表す16の特徴を抽出し,コンセンサスクラスタリングを用いて患者サブグループを抽出した。
  論文  参考訳（メタデータ） (2024-03-05T13:16:37Z)
• Federated unsupervised random forest for privacy-preserving patient stratification [0.4499833362998487]
  教師なしランダムフォレストを用いた新しいマルチオミクスクラスタリング手法を提案する。 我々は、機械学習ベンチマークデータセットとThe Cancer Genome Atlasのがんデータに対するアプローチを検証する。 本手法は病気のサブタイプに関して最先端の手法と競合するが,同時にクラスタの解釈可能性も大幅に向上する。
  論文  参考訳（メタデータ） (2024-01-29T12:04:14Z)
• Multi-task Explainable Skin Lesion Classification [54.76511683427566]
  少ないラベル付きデータでよく一般化する皮膚病変に対する数発のショットベースアプローチを提案する。 提案手法は,アテンションモジュールや分類ネットワークとして機能するセグメンテーションネットワークの融合を含む。
  論文  参考訳（メタデータ） (2023-10-11T05:49:47Z)
• The Role of Subgroup Separability in Group-Fair Medical Image Classification [18.29079361470428]
  診断などの系統的バイアスを伴うデータを用いて, サブグループ分離性, サブグループ分離性, 性能劣化の関係について検討した。 私たちの発見は、モデルがどのように偏見を抱くかという問題に新たな光を当て、公正な医療画像AIの開発に重要な洞察を与えました。
  論文  参考訳（メタデータ） (2023-07-06T06:06:47Z)
• Ambiguous Medical Image Segmentation using Diffusion Models [60.378180265885945]
  我々は,グループ洞察の分布を学習することで,複数の可算出力を生成する単一拡散モデルに基づくアプローチを提案する。 提案モデルでは,拡散の固有のサンプリングプロセスを利用してセグメンテーションマスクの分布を生成する。 その結果,提案手法は既存の最先端曖昧なセグメンテーションネットワーク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） (2023-04-10T17:58:22Z)
• Contrastive learning for unsupervised medical image clustering and reconstruction [0.23624125155742057]
  本稿では,非教師なしのオートエンコーダフレームワークを提案する。 提案手法は教師付きアーキテクチャと同じような性能を達成し,潜伏空間における分離が専門家の医療観察者指定ラベルを再現することを示す。
  論文  参考訳（メタデータ） (2022-09-24T13:17:02Z)
• Deep Semi-Supervised Embedded Clustering (DSEC) for Stratification of Heart Failure Patients [50.48904066814385]
  本研究では、深層半教師付き組込みクラスタリングを用いて、心不全のデータ駆動型患者サブグループを決定する。 ヘテロジニアスデータから得られた組込み空間から臨床関連クラスタを見出した。 提案アルゴリズムは、異なる結果を持つ患者の新たな未診断サブグループを見つけることができる。
  論文  参考訳（メタデータ） (2020-12-24T12:56:46Z)
• Recommendations for Bayesian hierarchical model specifications for case-control studies in mental health [0.0]
  研究者は、すべての被験者が共通の集団から引き出されたと仮定するか、またはそれらを別の集団から派生したものとしてモデル化するかを選択する必要がある。 一般的に使用される帯域幅タスクから合成多群行動データに対する系統シミュレーションを行った。 適合群は,全ての条件において,最も正確かつ堅牢な推論を別々に提供した。
  論文  参考訳（メタデータ） (2020-11-03T14:19:59Z)
• Temporal Phenotyping using Deep Predictive Clustering of Disease Progression [97.88605060346455]
  我々は、時系列データをクラスタリングするためのディープラーニングアプローチを開発し、各クラスタは、同様の将来的な結果を共有する患者から構成される。 2つの実世界のデータセットに対する実験により、我々のモデルは最先端のベンチマークよりも優れたクラスタリング性能が得られることが示された。
  論文  参考訳（メタデータ） (2020-06-15T20:48:43Z)
• Predictive Modeling of ICU Healthcare-Associated Infections from Imbalanced Data. Using Ensembles and a Clustering-Based Undersampling Approach [55.41644538483948]
  本研究は,集中治療室における危険因子の同定と医療関連感染症の予測に焦点をあてる。 感染発生率の低減に向けた意思決定を支援することを目的とする。
  論文  参考訳（メタデータ） (2020-05-07T16:13:12Z)

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。