論文の概要: Stein-Encoder: A White-Box Supervised Encoder via Stein Identities in Multi-Modal Studies

• arxiv url: http://arxiv.org/abs/2605.25734v1
• Date: Mon, 25 May 2026 11:43:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-26 19:50:19.844622
• Title: Stein-Encoder: A White-Box Supervised Encoder via Stein Identities in Multi-Modal Studies
• Title（参考訳）: Stein-Encoder:マルチモーダル研究におけるStein Identitiesを用いたWhite-Box Supervised Encoder
• Authors: Jiarui Zhang, Shuoxun Xu, Jiasheng Shi, Xinzhou Guo,
• Abstract要約: 臨床効果を誘導する遺伝子シグナルを分離するためのホワイトボックス制御フレームワークであるStein-Encoderを提案する。 METABRICコホートに適用されたStein-Encoderは、教師なしベンチマークよりも予測精度が高い。 腫瘍の大きさは主に有糸分裂ネットワークによって引き起こされているのに対し、予後指標は異なる増殖・対向免疫軸に依存している。
• 参考スコア（独自算出の注目度）: 2.993434602225802
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In multi-modal biomedical research, integrating high-dimensional genomic data with clinical baselines is essential for precision medicine. However, standard deep neural network approaches often entangle these modalities, obscuring the specific predictive impact of genetic features and leading to possibly suboptimal predictive performance. Motivated by the landmark METABRIC cohort primary breast tumors study, we propose the Stein-Encoder, a white-box supervised framework designed to isolate the genetic signal driving clinical outcomes conditional on nuisance covariates. By leveraging Stein's method and residualization techniques, our approach constructs an interpretable single index that summarizes relevant biological heterogeneity while flexibly incorporating clinical factors and can be used to improve downstream prediction. We establish theoretical guarantees for identification, consistency and efficiency improvement. Applied to the METABRIC cohort, the Stein-Encoder outperforms unsupervised benchmarks in predictive accuracy. Crucially, it achieves structural disentanglement by revealing response-specific biological mechanisms: we find that tumor size is driven primarily by mitotic networks, whereas prognostic indices rely on a distinct proliferation-versus-immune axis. This work contributes a unified, computationally efficient framework that bridges statistical rigor with the representational power of neural networks, enabling interpretable, task-specific and efficient compression of multi-modal health data for a wide range of precision medicine applications, beyond biomarker discovery.
• Abstract（参考訳）: マルチモーダルバイオメディカルリサーチでは、高次元ゲノムデータと臨床ベースラインを統合することが、精密医療に不可欠である。 しかし、標準的なディープニューラルネットワークアプローチは、しばしばこれらのモダリティを絡めて、遺伝的特徴の特定の予測的影響を隠蔽し、潜在的に最適以下の予測性能をもたらす。 本研究は,METABRICコホート原発乳腺腫瘍を指標として,遺伝シグナルを誘導する臨床結果のニュアンス共変量に基づく分離を目的としたホワイトボックス制御フレームワークであるStein-Encoderを提案する。 本手法は, 臨床因子を柔軟に取り入れつつ, 生物学的不均一性を要約した解釈可能な単一指標を構築し, 下流予測の改善に有効である。 我々は、識別、一貫性、効率改善の理論的保証を確立する。 METABRICコホートに適用されたStein-Encoderは、教師なしベンチマークよりも予測精度が高い。 腫瘍の大きさは、主に有糸分裂ネットワークによって駆動されるが、予後指標は、異なる増殖・対向免疫軸に依存している。 この研究は、統計リガーをニューラルネットワークの表現力にブリッジし、バイオマーカー発見を超えて、幅広い精度の医療応用のために、多要素健康データの解釈可能、タスク固有、効率的な圧縮を可能にする、統一的で効率的なフレームワークに貢献している。

関連論文リスト

• PSO-XAI: A PSO-Enhanced Explainable AI Framework for Reliable Breast Cancer Detection [2.5631347250059577]
  本研究では、機能選択のためのカスタマイズされたParticle Swarm Optimization (PSO)を組み込んだ統合フレームワークを提案する。 提案手法は、精度と精度を含む全てのパフォーマンス指標において99.1%の優れたスコアを得た。 結果は,Swarmインテリジェンスと説明可能なMLを組み合わせることで,堅牢で信頼性が高く,臨床的に有意義な乳癌診断の可能性を強調した。
  論文  参考訳（メタデータ） (2025-10-23T14:42:50Z)
• A Goemans-Williamson type algorithm for identifying subcohorts in clinical trials [1.930852251165745]
  我々は,大規模な不均質データセットから同質部分集合を識別する線形分類器を効率的に設計するアルゴリズムを設計する。 応用として,患者の同種サブコホートを同定できる簡易な検査法を,本アルゴリズムを用いて設計する。 また, 腫瘍抑制遺伝子のメチル化レベルに統計的に有意な変化がみられ, 核受容体発現の統計的に有意な変化がみられる患者のサブコホートを系統的に同定するために, アルゴリズムによる試験結果を用いた。
  論文  参考訳（メタデータ） (2025-06-12T16:44:32Z)
• Causal Representation Learning from Multimodal Biomedical Observations [57.00712157758845]
  バイオメディカルデータセットの理解を容易にするために,マルチモーダルデータに対するフレキシブルな識別条件と原理的手法を開発した。 主要な理論的貢献は、モジュラリティ間の因果関係の構造的空間性である。 実世界のヒト表現型データセットの結果は、確立された生物医学研究と一致している。
  論文  参考訳（メタデータ） (2024-11-10T16:40:27Z)
• XAI for In-hospital Mortality Prediction via Multimodal ICU Data [57.73357047856416]
  マルチモーダルICUデータを用いて病院内死亡率を予測するための,効率的で説明可能なAIソリューションを提案する。 我々は,臨床データから異種入力を受信し,意思決定を行うマルチモーダル・ラーニングを我々のフレームワークに導入する。 我々の枠組みは、医療研究において重要な要素の発見を容易にする他の臨床課題に容易に移行することができる。
  論文  参考訳（メタデータ） (2023-12-29T14:28:04Z)
• CausalBench: A Large-scale Benchmark for Network Inference from Single-cell Perturbation Data [61.088705993848606]
  本稿では,実世界の介入データに対する因果推論手法を評価するベンチマークスイートCausalBenchを紹介する。 CaulBenchには、新しい分散ベースの介入メトリクスを含む、生物学的に動機付けられたパフォーマンスメトリクスが含まれている。
  論文  参考訳（メタデータ） (2022-10-31T13:04:07Z)
• Data-Driven Logistic Regression Ensembles With Applications in Genomics [0.0]
  本稿では,正規化とアンサンブル技術を融合した高次元バイナリ分類手法を提案する。 医学ゲノミクスの応用において,本手法は競合する手法によって見落とされた重要なバイオマーカーを同定する。
  論文  参考訳（メタデータ） (2021-02-17T05:57:26Z)
• G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for Biomarker Identification and Disease Classification [49.53651166356737]
  診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。 2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
  論文  参考訳（メタデータ） (2021-01-27T19:28:04Z)

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。