論文の概要: GraD-IBD: Graph Representation Learning from Diagnosis Trajectories for Early Detection of Inflammatory Bowel Disease

• arxiv url: http://arxiv.org/abs/2605.27799v1
• Date: Wed, 27 May 2026 00:37:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-28 17:38:55.62476
• Title: GraD-IBD: Graph Representation Learning from Diagnosis Trajectories for Early Detection of Inflammatory Bowel Disease
• Title（参考訳）: GraD-IBD:炎症性腸疾患早期発見のための診断軌道からのグラフ表現学習
• Authors: Leo Y. Li-Han, Ellen L. Larson, Elizabeth B. Habermann, Cornelius A. Thiels, Hojjat Salehinejad,
• Abstract要約: 本研究では,縦方向のICDトラジェクトリを経時的指向グラフとして再構成するグラフ診断モデルGraD-IBDを提案する。 時間的依存を捕捉し、モデルの複雑さを減らし、新しいコンテキスト対応、時間遅延メッセージパッシング機構を開発した。
• 参考スコア（独自算出の注目度）: 5.3174351074720265
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: International Classification of Diseases (ICD) is a globally recognized coding system that records diagnostic events during each patient encounter, providing a standardized data foundation for various clinical tasks. However, the irregular and hierarchical nature of ICD code sequences poses challenges for N-D lattice-based sequential modeling methods, leading to overly complex model designs. In this paper, we propose GraD-IBD, a graph diagnosis model that reformulates longitudinal ICD trajectories as visit-bucketized, temporally directed graphs to detect the risk of inflammatory bowel disease (IBD). A novel context-aware, time-decay message passing mechanism was developed to capture temporal dependencies while reducing model complexity. The experimental results using a real-world clinical dataset demonstrated consistent and robust improvements in IBD detection over state-of-the-art methods, with significant reductions in computational complexity compared to sequential models. These findings highlight the potential of graph representation learning to enable efficient, scalable, and accurate disease risk prediction from longitudinal ICD diagnosis codes.
• Abstract（参考訳）: 国際疾患分類(ICD、International Classification of Diseases、ICD)は、患者が遭遇するたびに診断イベントを記録し、様々な臨床業務のための標準化されたデータ基盤を提供する、世界的に認知されているコーディングシステムである。 しかし、ICD符号列の不規則かつ階層的な性質は、N-D格子に基づく逐次モデリング手法の課題を引き起こし、複雑すぎるモデル設計へと繋がる。 本稿では,慢性炎症性腸疾患(IBD)のリスクを検出するため,経時的ICDトラジェクトリを経時的指向グラフとして再構成したグラフ診断モデルGraD-IBDを提案する。 時間的依存を捕捉し、モデルの複雑さを減らし、新しいコンテキスト対応、時間遅延メッセージパッシング機構を開発した。 実世界の臨床データセットを用いた実験結果は、最先端の手法によるIBD検出の一貫性と堅牢性の向上を示し、逐次モデルと比較して計算複雑性は著しく低下した。 これらの知見は, グラフ表現学習の可能性を強調し, 縦型ICD診断コードから, 効率よく, スケーラブルで, 正確な疾患リスク予測を可能にする。

関連論文リスト

• DT-BEHRT: Disease Trajectory-aware Transformer for Interpretable Patient Representation Learning [29.777694695551606]
  EHR(DT-BEHRT)用疾患軌跡認識変換器 本稿では,臓器内における診断中心の相互作用を明示的にモデル化し,非同期進行パターンを捉えることで,疾患の軌跡を乱すグラフ強化シーケンシャルアーキテクチャを提案する。 複数のベンチマークデータセットの実験では、DT-BEHRTは強い予測性能を示し、臨床医の疾患中心の推論と一致する解釈可能な患者表現を提供する。
  論文  参考訳（メタデータ） (2026-03-10T19:21:40Z)
• GIIM: Graph-based Learning of Inter- and Intra-view Dependencies for Multi-view Medical Image Diagnosis [0.6773121102591491]
  コンピュータ支援診断 (CADx) は医用画像に欠かせないものとなっているが, 自動診断システムはしばしば, 臨床解釈の微妙な過程の再現に苦慮している。 関係モデリングのための新しいグラフベースアプローチGIIMを提案する。 我々のフレームワークは、異常とビュー間ダイナミクスの間の重要なビュー内依存関係を同時にキャプチャするように設計されている。
  論文  参考訳（メタデータ） (2026-03-10T09:57:57Z)
• DiGAN: Diffusion-Guided Attention Network for Early Alzheimer's Disease Detection [1.6471330810152984]
  アルツハイマー病(AD)の早期診断は、構造的脳変化の微妙で時間的に不規則な進行のため、依然として大きな課題である。 既存のディープラーニングアプローチでは、大規模な時系列データセットが必要であり、実世界の臨床データに固有の時間的連続性とモダリティの不規則性をモデル化できないことが多い。 本稿では,遅延拡散モデルと注意誘導畳み込みネットワークを統合した拡散誘導注意ネットワーク(DiGAN)を提案する。
  論文  参考訳（メタデータ） (2026-02-02T21:59:23Z)
• A Semantically Enhanced Generative Foundation Model Improves Pathological Image Synthesis [82.01597026329158]
  本稿では,組織合成のための相関調整フレームワーク(CRAFTS)について紹介する。 CRAFTSは、生物学的精度を確保するためにセマンティックドリフトを抑制する新しいアライメント機構を組み込んでいる。 本モデルは,30種類の癌にまたがる多彩な病理像を生成する。
  論文  参考訳（メタデータ） (2025-12-15T10:22:43Z)
• Self-Supervised Cross-Encoder for Neurodegenerative Disease Diagnosis [6.226851122403944]
  縦型MRIスキャンにおける時間的連続性を利用した自己監督型クロスエンコーダフレームワークを提案する。 このフレームワークは、学習した表現を2つのコンポーネントに分解する: 静的表現は、対照的な学習によって制約され、安定した解剖学的特徴を捉え、動的表現は、時間的変化を反映する入力漸進正規化によってガイドされる。 アルツハイマー病神経画像イニシアチブデータセットの実験結果から,本手法は分類精度が向上し,解釈性が向上することが示された。
  論文  参考訳（メタデータ） (2025-09-09T11:52:24Z)
• Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
  ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。 胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。 本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
  論文  参考訳（メタデータ） (2021-02-26T02:29:30Z)
• Inheritance-guided Hierarchical Assignment for Clinical Automatic Diagnosis [50.15205065710629]
  臨床診断は、臨床ノートに基づいて患者に診断符号を割り当てることを目的としており、臨床意思決定において重要な役割を担っている。 本稿では,臨床自動診断のための継承誘導階層と共起グラフの伝播を組み合わせた新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2021-01-27T13:16:51Z)
• Dynamic Graph Correlation Learning for Disease Diagnosis with Incomplete Labels [66.57101219176275]
  胸部X線画像上の疾患診断は,多ラベル分類の課題である。 本稿では,異なる疾患間の相互依存を調査する新たな視点を提示する病的診断グラフ畳み込みネットワーク(DD-GCN)を提案する。 本手法は,相関学習のための動的隣接行列を用いた特徴写像上のグラフを初めて構築する手法である。
  論文  参考訳（メタデータ） (2020-02-26T17:10:48Z)
• Learning Dynamic and Personalized Comorbidity Networks from Event Data using Deep Diffusion Processes [102.02672176520382]
  コンコルビンド病は、個人によって異なる複雑な時間的パターンを通じて発生し進行する。 電子的な健康記録では、患者が持つ異なる疾患を観察できるが、それぞれの共死状態の時間的関係を推測できるだけである。 我々は「ダイナミック・コオービディティ・ネットワーク」をモデル化するための深層拡散プロセスを開発する。
  論文  参考訳（メタデータ） (2020-01-08T15:47:08Z)

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。