論文の概要: Disentangling Latent Risk Pathways via Bayesian Hypergraph Inference

• arxiv url: http://arxiv.org/abs/2606.07677v1
• Date: Thu, 04 Jun 2026 19:56:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-09 14:42:05.268556
• Title: Disentangling Latent Risk Pathways via Bayesian Hypergraph Inference
• Title（参考訳）: ベイジアンハイパーグラフ推論による潜在リスク経路の遠ざかる
• Authors: Shengxian Ding, Haonan Gao, Pangpang Liu, Xinyuan Tian, Yize Zhao,
• Abstract要約: 本稿では,潜伏型リスクファクター変調疾患経路のマルチ・ディスリーズ・モデリングを再構成したベイズハイパーグラフ推論フレームワークを提案する。 本研究では, ハイパーエッジの存在, 病状メンバシップ, 経路レベルの影響の論理的依存性を保った構造的変分推論アルゴリズムを開発した。 シミュレーションデータと英国バイオバンクの実験では、安定かつ解釈可能な疾患経路の構造、よく校正された不確実性、希少疾患の推定の改善、競合予測性能が示されている。
• 参考スコア（独自算出の注目度）: 3.546121820503
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Electronic health records (EHR) pose large-scale multi-disease modeling problems in which many outcomes are rare and strongly influenced by shared risk factors. While modern approaches achieve strong predictive performance, they often treat diseases independently or rely on black-box architectures, offering limited insight into how risk factors organize disease risk and little principled uncertainty quantification. We introduce a Bayesian hypergraph inference framework that reframes multi-disease modeling around latent, risk-factor-modulated disease pathways. Risk factors act on hyperedges, latent disease subsets with shared risk patterns, allowing diseases to participate in multiple distinct pathways and enabling interpretable, higher-order structure beyond pairwise associations. A repulsion prior encourages parsimonious and identifiable structure, while posterior inference provides calibrated uncertainty over both disease groupings and risk-factor influence. To enable scalable inference on large EHR datasets, we develop a structured variational inference algorithm that preserves logical dependencies among hyperedge existence, disease membership, and pathway-level effects. Experiments on simulated data and UK Biobank demonstrate stable and interpretable disease pathway structure, well-calibrated uncertainty, improved estimation for rare diseases, and competitive predictive performance.
• Abstract（参考訳）: 電子健康記録(EHR)は、多くの結果が希少であり、共有リスク要因に強く影響される、大規模なマルチディスリーズモデリング問題を引き起こす。 現代のアプローチは強い予測性能を達成する一方で、病気を独立に扱うか、ブラックボックスアーキテクチャに依存し、リスク要因が病気のリスクをどう構成するか、そして原則化された不確実性の定量化はほとんどないという限定的な洞察を提供する。 本稿では,潜伏型リスクファクター変調疾患経路のマルチ・ディスリーズ・モデリングを再構成したベイズハイパーグラフ推論フレームワークを提案する。 リスクファクターは、複数の異なる経路に参加することができ、ペアの関連を超えた解釈可能な高次構造を可能にする、共有のリスクパターンを持つ潜在疾患サブセットであるハイパーエッジに作用する。 反発前は擬似的かつ識別可能な構造を奨励し、後部推論は疾患の集団化とリスクファクターの影響の両方に対して校正された不確実性をもたらす。 大規模EHRデータセット上でのスケーラブルな推論を実現するため,ハイパーエッジの存在,病状メンバシップ,経路レベルの影響の論理的依存関係を保存する構造的変動推論アルゴリズムを開発した。 シミュレーションデータと英国バイオバンクの実験では、安定かつ解釈可能な疾患経路の構造、よく校正された不確実性、希少疾患の推定の改善、競合予測性能が示されている。

関連論文リスト

• REVEAL: Multimodal Vision-Language Alignment of Retinal Morphometry and Clinical Risks for Incident AD and Dementia Prediction [16.940822294857757]
  網膜はアルツハイマー病(AD)と認知症に独特の非侵襲的な窓を提供する。 現在の網膜分析フレームワークは、イメージングとリスクファクターを別々にモデル化している。 本稿では,カラーファンドス写真と個別の疾患特異的リスクプロファイルを一致させるフレームワークであるREVEALを紹介する。
  論文  参考訳（メタデータ） (2026-04-20T19:01:54Z)
• Towards Trustworthy Depression Estimation via Disentangled Evidential Learning [50.22167852149165]
  EviDepはうつ病の重症度を共同で定量化する明らかな学習フレームワークである。 EviDepは、堅牢な証拠合成を保証するために厳密な情報整合性を強制する。 最先端の予測精度と優れた不確実性校正を実現し、信頼できる臨床スクリーニングのための堅牢なフェールセーフメカニズムを提供する。
  論文  参考訳（メタデータ） (2026-04-17T13:27:11Z)
• Causal and Federated Multimodal Learning for Cardiovascular Risk Prediction under Heterogeneous Populations [0.0]
  我々は、クロスモーダルトランスフォーマーとグラフニューラルネットワークを統合した単一のマルチモーダル学習フレームワークを作成し、因果表現学習を行い、パーソナライズされたCVDリスクを測定する。 このモデルは、ゲノム変異、心臓MRI、心電図波形、ウェアラブルストリーム、構造化ERHデータを組み合わせてリスクを予測する。 本研究は,CVD予測に対する臨床的信頼度,解釈性,プライバシへの原則的アプローチの道を開くものである。
  論文  参考訳（メタデータ） (2026-01-05T14:32:49Z)
• R-GenIMA: Integrating Neuroimaging and Genetics with Interpretable Multimodal AI for Alzheimer's Disease Progression [63.97617759805451]
  アルツハイマー病の早期発見には、マクロスケールの神経解剖学的変化とマイクロスケールの遺伝的感受性を統合できるモデルが必要である。 本稿では,新しいROIワイド・ビジョン・トランスフォーマと遺伝的プロンプトを結合した多モード多言語モデルR-GenIMAを紹介する。 R-GenIMAは、通常の認知、主観記憶、軽度認知障害、ADの4方向分類において最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-12-22T02:54:10Z)
• CompARE: A Computational framework for Airborne Respiratory disease Evaluation integrating flow physics and human behavior [4.272788079372737]
  共同配置された個人間の屋内空気伝達のリスクは一般に一様ではない。 本報告では,室内空気感染のリスク評価フレームワークであるCompAREについて述べる。
  論文  参考訳（メタデータ） (2025-11-26T12:53:30Z)
• CRISP-NAM: Competing Risks Interpretable Survival Prediction with Neural Additive Models [0.22940141855172033]
  CRISP-NAMは、競合するリスクサバイバル分析のための解釈可能なニューラル加算モデルである。 各機能は、専用ニューラルネットワークによるリスク推定に独立して寄与する。 既存のアプローチと比較して,複数のデータセット上での競合性能を実証する。
  論文  参考訳（メタデータ） (2025-05-27T15:52:15Z)
• HACSurv: A Hierarchical Copula-Based Approach for Survival Analysis with Dependent Competing Risks [51.95824566163554]
  本稿では,階層型アルキメデスコピュラス構造を学習する生存分析手法であるHACSurvを紹介する。 リスクと検閲の間の依存関係をキャプチャすることで、HACSurvは生存予測の精度を向上させる。
  論文  参考訳（メタデータ） (2024-10-19T18:52:18Z)
• Capsa: A Unified Framework for Quantifying Risk in Deep Neural Networks [142.67349734180445]
  ディープニューラルネットワークにリスク認識を提供する既存のアルゴリズムは複雑でアドホックである。 ここでは、リスク認識でモデルを拡張するためのフレームワークであるcapsaを紹介します。
  論文  参考訳（メタデータ） (2023-08-01T02:07:47Z)
• A General Framework for Survival Analysis and Multi-State Modelling [70.31153478610229]
  ニューラル常微分方程式を多状態生存モデル推定のためのフレキシブルで一般的な方法として用いる。 また,本モデルでは,サバイバルデータセット上での最先端性能を示すとともに,マルチステート環境での有効性を示す。
  論文  参考訳（メタデータ） (2020-06-08T19:24:54Z)

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。