論文の概要: Explainable Retinal Imaging for Prediction of Multi-Organ Dysfunction in Type 2 Diabetes

• arxiv url: http://arxiv.org/abs/2605.24912v1
• Date: Sun, 24 May 2026 07:31:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-26 19:50:18.506015
• Title: Explainable Retinal Imaging for Prediction of Multi-Organ Dysfunction in Type 2 Diabetes
• Title（参考訳）: 説明可能な網膜イメージングによる2型糖尿病の多臓器機能障害の予測
• Authors: Mini Han Wang, Liting Huang, Wei Hong, Boonthawan Wingwon,
• Abstract要約: 臓器特異的機能障害を定量化するために, システムレベルの異常指標を構築した。 教師付き機械学習モデルは、マルチシステムのディレギュレーションを予測するために訓練された。 高血糖,腎障害,ジスリピダ血症,炎症が多系統リスクの主要な要因であった。
• 参考スコア（独自算出の注目度）: 2.153295259565971
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Background: Type 2 diabetes mellitus (T2DM) is increasingly recognised as a systemic disease characterised by coordinated dysfunction across metabolic, renal, lipid, and inflammatory pathways. Existing clinical assessments often fail to capture this multi-dimensional burden. Methods: We conducted a retrospective study of 1,195 patients using routinely collected laboratory biomarkers. System-level abnormality indices were constructed to quantify organ-specific dysfunction, and multi-system involvement was defined as abnormalities in two or more systems. Supervised machine learning models, including logistic regression, random forest, and gradient boosting, were trained to predict multi-system dysregulation. Model interpretability was achieved using SHapley Additive exPlanations (SHAP). Results: The gradient boosting model demonstrated near-perfect discrimination (AUC = 1.000), significantly outperforming logistic regression (AUC = 0.925). Feature attribution analysis revealed that hyperglycaemia, renal impairment, dyslipidaemia, and inflammation were the dominant drivers of multi-system risk. Dose-response relationships observed in partial dependence analyses further supported the biological plausibility of model predictions. Conclusion: This study presents an interpretable, data-driven framework for quantifying systemic disease burden in T2DM. By linking routine biomarkers to multi-organ dysfunction, our approach provides both predictive accuracy and mechanistic insight, offering potential for improved risk stratification and precision medicine in diabetes care. The data and code used in this study are openly available on GitHub at: https://github.com/MiniHanWang/Type-2-Diabetes-1.git
• Abstract（参考訳）: 背景: 2型糖尿病 (T2DM) は代謝, 腎, 脂質, 炎症経路にまたがる機能障害を特徴とする全身性疾患として認識されつつある。 既存の臨床評価では、この多次元の重荷をつかむことができないことが多い。 方法: 日常的に収集したバイオマーカーを用いた1,195例の振り返り調査を行った。 臓器特異的な機能障害を定量化するために, システムレベルの異常指標を構築した。 ロジスティック回帰、ランダムフォレスト、勾配上昇などを含む機械学習モデルの教師付きモデルは、マルチシステムのディグリゲーションを予測するために訓練された。 モデル解釈性はSHAP(SHapley Additive exPlanations)を用いて達成された。 結果: 勾配促進モデルでは, ほぼ完全判別(AUC=1.000), ロジスティック回帰(AUC=0.925)が有意に優れていた。 特徴属性分析の結果,高血糖,腎障害,ジスリピダ血症,炎症が多系統リスクの主要な要因であった。 部分的依存分析で観察された線量-応答関係は、モデル予測の生物学的妥当性をさらに裏付けた。 結論:本研究は,T2DMの全身疾患負荷を定量化するための,解釈可能な,データ駆動型フレームワークを提案する。 バイオマーカーを多臓器機能障害にリンクすることにより, 予測精度と機械的洞察を両立させ, 糖尿病治療におけるリスク階層化と精密医療の改善の可能性を秘めている。 この研究で使用されるデータとコードはGitHubで公開されている。

関連論文リスト

• Explainable Multi-Task Retinal Imaging Reveals Microvascular Signals for Systemic Risk Stratification in Type 2 Diabetes: A Pilot Study [2.153295259565971]
  糖尿病2型糖尿病における網膜微小血管の特徴と全身異常との関連性を明らかにするための多タスク深層学習フレームワークを開発した。 重力重み付きクラス活性化マッピング(Grad-CAM)、解剖学的マスキング、血管アライメント解析を用いてモデル解釈性を評価した。 この枠組みは, 腎臓異常の診断において, タスク依存的な予測性能を示した。
  論文  参考訳（メタデータ） (2026-05-24T07:32:58Z)
• Shapley Regression for Rare Disease Diagnosis Support: a case study on APDS [3.4842393087897015]
  活性化PI3K8症候群(英: Activated PI3K8 syndrome)は、PIK3CDまたはPIK3R1の変異によって引き起こされる稀な遺伝性免疫疾患である。 シェープ回帰(Shapley regression)は、線形予測器を k-加法的協調ゲームに置き換える新しいゲーム理論モデルである。
  論文  参考訳（メタデータ） (2026-05-09T11:30:54Z)
• Investigating the Impact of Histopathological Foundation Models on Regressive Prediction of Homologous Recombination Deficiency [52.50039435394964]
  回帰に基づくタスクの基礎モデルを体系的に評価する。 我々は5つの最先端基礎モデルを用いて、スライド画像全体(WSI)からパッチレベルの特徴を抽出する。 乳房、子宮内膜、肺がんコホートにまたがるこれらの抽出された特徴に基づいて、連続したRDDスコアを予測するモデルが訓練されている。
  論文  参考訳（メタデータ） (2026-01-29T14:06:50Z)
• Organ-Agents: Virtual Human Physiology Simulator via LLMs [66.40796430669158]
  オルガン-エージェント(Organ-Agents)は、LDM駆動のエージェントを介して人間の生理学をシミュレートする多エージェントフレームワークである。 症例は7,134例,コントロール7,895例で,9系統および125変数にわたる高分解能トラジェクトリを作成した。 臓器抗原は4,509人の保留患者に対して高いシミュレーション精度を達成し, システムごとのMSE0.16とSOFA系重症度層間の堅牢性を示した。
  論文  参考訳（メタデータ） (2025-08-20T01:58:45Z)
• 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)
• An interpretable generative multimodal neuroimaging-genomics framework for decoding Alzheimer's disease [13.213387075528017]
  アルツハイマー病(英語: Alzheimer's disease, AD)は、認知機能障害(Mild Cognitive Impairment, MCI)として知られる前ドロマステージを含む認知症である。 この研究の目的は、マルチモーダルMRIデータと単一核化物多型に依存する脳構造と機能の構造的・機能的調節を捉えることである。
  論文  参考訳（メタデータ） (2024-06-19T07:31:47Z)
• Achieving Reliable and Fair Skin Lesion Diagnosis via Unsupervised Domain Adaptation [43.1078084014722]
  教師なしドメイン適応(UDA)は、信頼性の高い分類器を開発するために、大きな外部データセットを統合することができる。 UDAは少数派に対する偏見を効果的に軽減し、診断システムの公平性を高めることができる。
  論文  参考訳（メタデータ） (2023-07-06T17:32:38Z)
• Machine Learning based prediction of Glucose Levels in Type 1 Diabetes Patients with the use of Continuous Glucose Monitoring Data [0.0]
  連続グルコースモニタリング(Continuous Glucose Monitoring, CGM)デバイスは、患者の血糖値に関する詳細な、非侵襲的でリアルタイムな洞察を提供する。 将来のグルコースレベルの予測方法としての高度な機械学習(ML)モデルを活用することで、生活改善の実質的な品質がもたらされる。
  論文  参考訳（メタデータ） (2023-02-24T19:10:40Z)
• Estimators of Entropy and Information via Inference in Probabilistic Models [1.4502611532302037]
  エントロピーや相互情報といった情報理論量の推定は、統計学や機械学習における多くの問題の中心である。 本稿では,任意の変数に対する情報量に対する上限値と下限値の上限値を提供するEEVIを用いたエントロピー推定器を提案する。
  論文  参考訳（メタデータ） (2022-02-24T21:04:33Z)
• Two-step penalised logistic regression for multi-omic data with an application to cardiometabolic syndrome [62.997667081978825]
  我々は,各層で変数選択を行うマルチオミックロジスティック回帰に対する2段階のアプローチを実装した。 私たちのアプローチは、可能な限り多くの関連する予測子を選択することを目標とすべきです。 提案手法により,分子レベルでの心筋メタボリックシンドロームの特徴を同定することができる。
  論文  参考訳（メタデータ） (2020-08-01T10:36:27Z)

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。