論文の概要: Knowledge Graph Modulated Deep Learning for Limited-Sample Clinical Data Analysis

• arxiv url: http://arxiv.org/abs/2605.24162v1
• Date: Fri, 22 May 2026 19:33:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-26 19:50:17.655995
• Title: Knowledge Graph Modulated Deep Learning for Limited-Sample Clinical Data Analysis
• Title（参考訳）: 限定サンプル臨床データ解析のための知識グラフ変調深層学習
• Authors: Yuwei Xue, Sakib Mostafa, James Zou, Joseph Liao, Maximilian Diehn, Ash A. Alizadeh, Lei Xing, Md. Tauhidul Islam,
• Abstract要約: データ効率のよい臨床予測のための知識グラフ変調ディープラーニングフレームワークであるGraph-in-Graph(GiG)を紹介する。 GiGは、各患者を独立したモジュラーグラフとして表現する。そこでは、養生された生物学的知識グラフがエッジを定義し、遺伝子発現などの患者固有の測定値がノードの特徴を定義する。 GiGは従来と最先端の手法を一貫して上回り、限られたサンプル設定で最大の利益を上げている。
• 参考スコア（独自算出の注目度）: 25.177682969932047
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Biological systems are governed by structured molecular interactions, where pathways, regulatory circuits, and functional gene relationships shape cellular behavior and disease progression. Much of this knowledge is naturally represented as graphs. However, most biomedical AI models cannot directly use graph-encoded biological knowledge and instead require compressed low-dimensional representations, which can lose important structure and reduce performance, especially in limited-sample clinical studies. Here, we introduce Graph-in-Graph (GiG), a knowledge graph-modulated deep learning framework for data-efficient clinical prediction. GiG represents each patient as a standalone modular graph, in which curated biological knowledge graphs define edges and patient-specific measurements, such as gene expression, define node features. This design allows multiple biological knowledge graphs to be integrated while preserving gene-gene interactions and pathway topology during patient-level representation learning. Across cohorts comprising nearly 9,700 patients and five clinical tasks, including liquid biopsy cancer detection, prostate cancer diagnosis, and 32-class pan-cancer classification, GiG consistently outperforms traditional and state-of-the-art methods, with the largest gains in limited-sample settings. On the challenging prostate cancer diagnosis task, GiG improves macro-F1 by up to 49 percentage points relative to competing methods. Control experiments replacing real pathway graphs with random topologies confirm that these gains arise from biologically grounded knowledge graph structure rather than graph modeling alone. These findings show that knowledge graph-modulated deep learning can improve robustness, interpretability, and sample efficiency in clinical data analysis, and provide a principled framework for integrating biological knowledge graphs into predictive modeling.
• Abstract（参考訳）: 生物学的システムは構造された分子相互作用によって制御され、経路、調節回路、機能的遺伝子関係が細胞の挙動と疾患の進行を形成する。 この知識の多くは自然にグラフとして表される。 しかし、ほとんどのバイオメディカルAIモデルは、グラフ符号化された生物学的知識を直接使用できず、代わりに圧縮された低次元表現を必要とする。 本稿では,知識グラフを用いた深層学習フレームワークであるGraph-in-Graph(GiG)について紹介する。 GiGは、各患者を独立したモジュラーグラフとして表現する。そこでは、養生された生物学的知識グラフがエッジを定義し、遺伝子発現などの患者固有の測定値がノードの特徴を定義する。 この設計により、患者レベルの表現学習において、遺伝子間相互作用と経路トポロジーを保持しながら、複数の生物学的知識グラフを統合することができる。 約9700人の患者と、液体生検、前立腺癌診断、32クラスの膵がん分類を含む5つの臨床的タスクからなるコホート全体において、GiGは従来と最先端の手法を一貫して上回り、限られたサンプル設定で最大の利益を上げている。 前立腺癌診断の課題では、GGは競合する方法と比較して最大49ポイントまでマクロF1を改善している。 実経路グラフをランダムなトポロジーに置き換える制御実験により、これらの利得はグラフモデリング単独ではなく、生物学的に基底化された知識グラフ構造から生じることが確認される。 これらの結果から,知識グラフを用いた深層学習は,臨床データ解析における堅牢性,解釈可能性,サンプル効率を向上し,生物知識グラフを予測モデルに統合するための基本的枠組みを提供する。

関連論文リスト

• VitaGraph: Building a Knowledge Graph for Biologically Relevant Learning Tasks [8.962235896860294]
  複数の公開データセットの統合と精錬によって構築された包括的生物学的知識グラフを提案する。 得られたリソースは、計算生物学と精密医療の研究を進めるための最先端のプラットフォームとして機能する、一貫性があり信頼性の高い生物学的知識グラフである。
  論文  参考訳（メタデータ） (2025-05-16T12:43:04Z)
• Interpretable graph-based models on multimodal biomedical data integration: A technical review and benchmarking [16.418908653117807]
  本稿は,2019年1月から2024年1月までに発行された26の研究を対象とする,多モードバイオメディカルデータに対する解釈可能なグラフベースモデルの最初の調査である。 ほとんどの対象疾患分類、特に癌は単純な類似性尺度からの静的グラフに依存し、グラフネイティブな説明器は稀である。 既存のアプローチを4つの解釈可能なファミリーに分類し、グラフイングラフ階層、知識グラフエッジ、動的トポロジー学習などのトレンドを概説し、実用的なベンチマークを行う。
  論文  参考訳（メタデータ） (2025-05-03T05:00:38Z)
• A Graph-Based Framework for Interpretable Whole Slide Image Analysis [86.37618055724441]
  我々は,全スライディング画像を生物学的にインフォームドされたグラフ表現に変換するフレームワークを開発した。 我々のアプローチは、任意の格子ではなく、自然構造を尊重する組織領域からグラフノードを構築する。 がんのステージングと生存予測の課題に強いパフォーマンスを示す。
  論文  参考訳（メタデータ） (2025-03-14T20:15:04Z)
• Efficient and Robust Continual Graph Learning for Graph Classification in Biology [4.1259781599165635]
  本稿では,グラフデータ分類のための頑健で効率的な連続グラフ学習フレームワークであるPerturbed and Sparsified Continual Graph Learning (PSCGL)を提案する。 PSCGLはタスク間の知識を保持するだけでなく、生物学におけるグラフ分類モデルの効率性と堅牢性を高める。
  論文  参考訳（メタデータ） (2024-11-18T15:47:37Z)
• Pathology-genomic fusion via biologically informed cross-modality graph learning for survival analysis [7.996257103473235]
  そこで我々は,全スライド画像(WSI)とバルクRNA-Seq発現データと異種グラフニューラルネットワークを統合したPGHG(Pathology-Genome Heterogeneous Graph)を提案する。 PGHGは生物学的知識誘導表現学習ネットワークと病理ゲノム不均一グラフから構成される。 腫瘍ゲノムアトラスの低悪性度グリオーマ,グリオーマ,腎乳頭状細胞癌データセットについて検討した。
  論文  参考訳（メタデータ） (2024-04-11T09:07:40Z)
• Graph Relation Distillation for Efficient Biomedical Instance Segmentation [80.51124447333493]
  本稿では,効率的なバイオメディカル・インスタンス・セグメンテーションのためのグラフ関係蒸留手法を提案する。 画像内レベルと画像間レベルの両方に展開する2つのグラフ蒸留方式を導入する。 多くのバイオメディカルデータセットの実験結果から,本手法の有効性が検証された。
  論文  参考訳（メタデータ） (2024-01-12T04:41:23Z)
• Tertiary Lymphoid Structures Generation through Graph-based Diffusion [54.37503714313661]
  本研究では,最先端のグラフベース拡散モデルを用いて生物学的に意味のある細胞グラフを生成する。 本研究では, グラフ拡散モデルを用いて, 3次リンパ構造(TLS)の分布を正確に学習できることを示す。
  論文  参考訳（メタデータ） (2023-10-10T14:37:17Z)
• Dynamic Graph Enhanced Contrastive Learning for Chest X-ray Report Generation [92.73584302508907]
  コントラスト学習を用いた医療レポート作成を支援するために,動的構造とノードを持つ知識グラフを提案する。 詳しくは、グラフの基本構造は一般知識から事前構築される。 各イメージ機能は、レポート生成のためにデコーダモジュールに入力する前に、独自の更新グラフに統合される。
  論文  参考訳（メタデータ） (2023-03-18T03:53:43Z)
• Knowledge Graph Completion based on Tensor Decomposition for Disease Gene Prediction [2.838553480267889]
  疾患や遺伝子を中心とした生物学的知識グラフを構築し,疾患発生予測のためのエンドツーエンドの知識グラフ補完モデルを構築した。 KDGeneは、実体の埋め込みとテンソル分解との関係の間の相互作用モジュールを導入し、生物学的知識における情報相互作用を効果的に強化する。
  論文  参考訳（メタデータ） (2023-02-18T13:57:44Z)
• Heterogeneous Graph Neural Networks using Self-supervised Reciprocally Contrastive Learning [102.9138736545956]
  不均一グラフニューラルネットワーク(HGNN)は異種グラフのモデリングと解析において非常に一般的な手法である。 我々は,ノード属性とグラフトポロジの各ガイダンスに関する2つの視点を取り入れた,新規で頑健なヘテロジニアスグラフコントラスト学習手法であるHGCLを初めて開発する。 この新しいアプローチでは,属性とトポロジに関連情報を別々にマイニングする手法として,異なるが最も適した属性とトポロジの融合機構を2つの視点に適用する。
  論文  参考訳（メタデータ） (2022-04-30T12:57:02Z)

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。