論文の概要: SDM-Q: Cost-Aware Staged Decision-Making for Multi-Omics Classification with Deep Q-Learning

• arxiv url: http://arxiv.org/abs/2605.31014v1
• Date: Fri, 29 May 2026 08:47:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-01 20:56:50.483745
• Title: SDM-Q: Cost-Aware Staged Decision-Making for Multi-Omics Classification with Deep Q-Learning
• Title（参考訳）: SDM-Q: 深層Q-Learningを用いたマルチオミクス分類のためのコストを考慮した段階的意思決定
• Abstract要約: 適応型・コスト対応型マルチオミクス分類のための強化学習フレームワークであるSDM-Qを提案する。 また,SDM-Qは,競合的分類性能を維持しつつ,冗長なモダリティ獲得を効果的に抑制することを示した。
• 参考スコア（独自算出の注目度）: 11.225104702367693
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-omics data provide complementary molecular characterizations of disease phenotypes and play an important role in disease diagnosis and subtype classification in precision medicine. However, acquiring complete multi-omics profiles is expensive and time-consuming, while most existing deep learning methods assume full modality availability during inference, resulting in substantial redundancy and limited practicality in clinical settings. To address this issue, we propose SDM-Q, a reinforcement learning framework for adaptive and cost-aware multi-omics classification. Specifically, multi-omics diagnosis is reformulated as a finite-horizon sequential decision problem, where the currently acquired omics modalities define the diagnostic state at each stage. An action--value function determines whether to acquire an additional modality or terminate the decision process and output the final prediction. To balance diagnostic utility and acquisition cost, the reward is defined only at the terminal stage and jointly determined by classification correctness and cumulative modality acquisition cost. A backward stage-wise optimization strategy is introduced to improve policy consistency and training stability. Experiments on four public multi-omics datasets, including ROSMAP, LGG, BRCA, and KIPAN, demonstrate that SDM-Q effectively reduces redundant modality acquisition while maintaining competitive classification performance compared with methods using complete multi-omics inputs. In the BRCA and KIPAN datasets, more than 99\% and 95\% of subjects, respectively, achieve accurate classification using only a single omics modality, while the average number of acquired modalities remains below two for ROSMAP and LGG. These results suggest that cost-aware sequential decision-making provides an effective paradigm for improving the efficiency of precision medicine workflows.
• Abstract（参考訳）: マルチオミクスデータは、疾患の表現型の相補的な分子的特徴を提供し、精度医学における疾患の診断とサブタイプ分類において重要な役割を担っている。 しかし、完全なマルチオミクスプロファイルの取得には費用がかかり、時間を要するが、既存のディープラーニング手法では推論中に完全なモーダルアベイラビリティーを前提としており、臨床現場ではかなり冗長性があり、実用性も限られている。 そこで本研究では,適応型およびコスト対応型マルチオミクス分類のための強化学習フレームワークであるSDM-Qを提案する。 具体的には、現在取得されているオミクスモダリティが各段階で診断状態を定義する有限水平シーケンシャル決定問題として、マルチオミクス診断を再構成する。 アクション値関数は、追加のモダリティを取得するか、決定プロセスを終了するかを決定し、最終的な予測を出力する。 診断ユーティリティと取得コストのバランスをとるため、端末段階でのみ報酬を定義し、分類正しさと累積モダリティ取得コストで共同で決定する。 政策整合性と訓練安定性を改善するために、段階的に段階的に最適化する戦略が導入された。 ROSMAP、LGG、BRCA、KIPANを含む4つの公開マルチオミクスデータセットの実験により、SDM-Qは完全なマルチオミクス入力を用いた手法と比較して、競合する分類性能を維持しながら、冗長なモダリティ取得を効果的に削減することを示した。 BRCAとKIPANのデータセットでは、被験者の99%以上と95%以上は、単一のオミクスモダリティのみを用いて正確な分類を行う一方、取得したモダリティの平均値はROSMAPとLGGでは2以下である。 これらの結果から,コストを意識した逐次意思決定が,精密医療ワークフローの効率化に有効なパラダイムであることが示唆された。

関連論文リスト

• SMILE: Self-Explainable Multimodal Information Bottleneck for Medical Diagnosis [71.98702207668346]
  説明可能性(Explainability)は、AIベースの診断、特に安全クリティカルな臨床的意思決定において、ますます重要な要件とみなされている。 本稿では,情報ボトルネック(IB)フレームワーク内で定式化することで,自己説明可能なマルチモーダル診断の問題に対処する。 本稿では,予測性能とモダリティ固有の説明可能性とを協調的に最適化する統合学習パラダイムを提案する。
  論文  参考訳（メタデータ） (2026-09-04T14:13:24Z)
• Dementia Etiology Diagnosis via Collaborative Meta Knowledge Enhancement [81.27196033392559]
  認知症発症診断のための協調的メタ知識向上(COME)フレームワークを提案する。 COMEは、マルチセンタ取得セマンティクス、ソース識別子、モダリティインジケータを異種性を認識した埋め込みとして、スケールアップトレーニングのためにTransformerアーキテクチャに注入する。 本手法は,平均マクロ平均AUCが85.62%,最強ベースラインが4.29ポイント向上し,最先端のドメイン性能を実現する。
  論文  参考訳（メタデータ） (2026-07-24T04:26:47Z)
• ProMUSE: Progressive Multi-modal Uncertainty-guided Staged Evidential Alzheimer Disease Classification [9.175540289672623]
  アルツハイマー病(英語: Alzheimer's disease、AD)は、高齢者の記憶と認知能力を破壊する致命的な疾患である。 AD診断は、臨床評価、構造的磁気共鳴イメージング(MRI)、ポジトロン・エミッション・トモグラフィ(PET)イメージングなどのマルチモーダルデータにますます依存している。 ProMUSE(Progressive Multi-modal Uncertainty Guided Staged Evidential Network)を提案する。
  論文  参考訳（メタデータ） (2026-06-11T19:27:58Z)
• PREBA: Surgical Duration Prediction via PCA-Weighted Retrieval-Augmented LLMs and Bayesian Averaging Aggregation [51.96735866702332]
  PreBAはPCA重み付き検索とベイズ平均アグリゲーションを統合した検索拡張フレームワークである。 例えば、PreBAはパフォーマンスを大幅に改善し、MAEを最大40%削減し、ゼロショット推論でR2を-0.13から0.62に引き上げる。
  論文  参考訳（メタデータ） (2026-02-27T07:19:23Z)
• Optimizing Point-of-Care Ultrasound Video Acquisition for Probabilistic Multi-Task Heart Failure Detection [3.5617951813421818]
  本稿では、RLエージェントが次のビューを選択して取得を終了するパーソナライズされたデータ取得戦略を提案する。 終了時,診断モデルは大動脈狭窄(AS)重症度と左室放出率(LVEF)を同時予測する 本手法は32%の動画を用いて,AS重度分類とLVEF推定における平均平衡精度(bACC)を77.2%達成し,フルスタディ性能と一致した。
  論文  参考訳（メタデータ） (2026-02-14T07:56:21Z)
• Timely Clinical Diagnosis through Active Test Selection [49.091903570068155]
  本稿では,現実の診断推論をよりうまくエミュレートするためのACTMED (Adaptive Clinical Test selection via Model-based Experimental Design)を提案する。 LLMは柔軟なシミュレータとして機能し、構造化されたタスク固有のトレーニングデータを必要とせずに、患者状態のもっともらしい分布を生成し、信念の更新をサポートする。 我々は、実世界のデータセット上でACTMEDを評価し、診断精度、解釈可能性、リソース使用量を改善するためにテスト選択を最適化できることを示す。
  論文  参考訳（メタデータ） (2025-10-21T18:10:45Z)
• An Uncertainty-Aware Dynamic Decision Framework for Progressive Multi-Omics Integration in Classification Tasks [6.736267874971369]
  我々は、オミクスデータ分類のための不確実性を考慮したマルチビュー動的決定フレームワークを提案する。 ヘテロジニアスなモジュラリティを統合するために、Dempster-Shafer理論に基づく融合戦略を用いる。 3つのデータセットでは、50%以上のケースが、単一のオミクスモダリティを使用して正確に分類された。
  論文  参考訳（メタデータ） (2025-06-20T13:44:14Z)
• Active Sampling for MRI-based Sequential Decision Making [10.32110889047933]
  アンダーサンプルk空間データから包括的,逐次的,診断的評価が可能な,新しい強化学習フレームワークを提案する。 本フレームワークは,k空間サンプルを著しく節約しつつ,疾患検出,重症度,総合的な診断に関する様々なポリシーベースのベンチマークと競合する診断性能を実現する。
  論文  参考訳（メタデータ） (2025-05-07T17:27:51Z)
• A Progressive Single-Modality to Multi-Modality Classification Framework for Alzheimer's Disease Sub-type Diagnosis [40.838012045852]
  現在のアルツハイマー病(AD)の診断には、複数の診断段階から取得した複数のモダリティがあり、それぞれが異なる使用法とコストを持っている。 そこで本研究では,早期の低コスト段階におけるアクセシビリティに基づく診断結果の提供を目的とした,新たな進歩型ADサブタイプ診断フレームワークを提案する。 提案手法を多種多様な公用および家庭内データセット上で評価し,最先端の手法よりも優れた性能を実現する。
  論文  参考訳（メタデータ） (2024-07-26T02:25:45Z)
• Fairness Evolution in Continual Learning for Medical Imaging [47.52603262576663]
  本研究では、ドメイン固有の公平度指標を用いてタスク間でバイアスがどのように進化し、異なるCL戦略がこの進化にどのように影響するかを検討する。 以上の結果から,擬似ラベルと擬似ラベルの学習は最適分類性能を実現するが,擬似ラベルの偏りは小さいことが示唆された。
  論文  参考訳（メタデータ） (2024-04-10T09:48:52Z)
• 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)
• Improving Multiple Sclerosis Lesion Segmentation Across Clinical Sites: A Federated Learning Approach with Noise-Resilient Training [75.40980802817349]
  深層学習モデルは、自動的にMS病変を分節する約束を示しているが、正確な注釈付きデータの不足は、この分野の進歩を妨げている。 我々は,MS病変の不均衡分布とファジィ境界を考慮したDecoupled Hard Label Correction(DHLC)戦略を導入する。 また,集約型中央モデルを利用したCELC(Centrally Enhanced Label Correction)戦略も導入した。
  論文  参考訳（メタデータ） (2023-08-31T00:36:10Z)
• Deep Reinforcement Learning for Cost-Effective Medical Diagnosis [41.10546022107126]
  強化学習を用いて、以前の観測結果に基づいて順次実験室のテストパネルを選択する動的ポリシーを探索する。 エンド・ツー・エンドのトレーニングやオンライン学習と互換性のあるセミモデルに基づく深層診断ポリシー最適化フレームワークを提案する。 SM-DDPOは、フェリチン異常検出、敗血症死亡予測、急性腎障害の診断など、様々な臨床的タスクでテストされている。
  論文  参考訳（メタデータ） (2023-02-20T19:47:25Z)

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。