論文の概要: Enhancing Spectral Embedding through Robust and Flexible Knowledge Transfer in Electronic Health Records

• arxiv url: http://arxiv.org/abs/2606.11570v1
• Date: Wed, 10 Jun 2026 01:51:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-11 16:42:38.245854
• Title: Enhancing Spectral Embedding through Robust and Flexible Knowledge Transfer in Electronic Health Records
• Title（参考訳）: 電子健康記録におけるロバスト・フレキシブルな知識伝達によるスペクトル埋め込みの促進
• Authors: Feiqing Huang, Zongqi Xia, Rong Ma, Tianxi Cai,
• Abstract要約: 臨床概念と稀な疾患コホート患者に対する埋め込みを導出するためのスペクトルベースの非教師なし表現学習フレームワークを提案する。 より広い集団から抽出された知識行列を組み込み、部分的に重なり合う部分空間と希少な放散コホートを共有させる。 本手法は,制約のある1対1の信号アライメント仮定を緩和することで既存の手法から逸脱する。
• 参考スコア（独自算出の注目度）: 10.538997169618588
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We propose a spectral-based, unsupervised representation learning framework to derive low-dimensional embeddings for clinical concepts and patients in rare disease cohorts from electronic health records, where data are high-dimensional but sample sizes are limited. To overcome this challenge, we incorporate a knowledge matrix extracted from a broader population that shares a partially overlapping subspace with the rare-disease cohort. Our method departs from existing approaches by relaxing restrictive one-to-one signal-alignment assumptions between the latent data matrix and knowledge matrix, allowing more flexible and realistic forms of structured sharing. We introduce a novel two-step spectral embedding procedure: first, we identify and remove irrelevant components from the knowledge matrix; then, we apply a projection-based method to separately recover shared and heterogeneous components. Simulations and an analysis of a real-world multiple sclerosis cohort show that the proposed method outperforms competing approaches, particularly in challenging scenarios where shared signals are weak and only partially aligned, as is common in rare-disease data.
• Abstract（参考訳）: 電子カルテから臨床概念や稀な疾患コホート患者に対する低次元埋め込みを導出するスペクトルベースの非教師なし表現学習フレームワークを提案する。 この課題を克服するために、より広い集団から抽出された知識行列を組み込み、部分重なり合う部分空間と希少な放散コホートを共有させる。 提案手法は,潜在データ行列と知識行列との制約付き1対1信号配向仮定を緩和することにより,より柔軟でリアルな構造化共有を実現する。 まず、知識行列から無関係成分を識別・除去し、投影法を適用して、共有成分と異種成分を分離的に回収する。 シミュレーションと実世界の多発性硬化症コホートの解析により, 提案手法は競合するアプローチ, 特に共有信号が弱く, 部分的に整列する難易度シナリオにおいて, 競合する手法よりも優れていることが示された。

関連論文リスト

• Context-driven Missing-Modality Learning for Robust Medical Diagnosis with Image-Tabular Data [38.54068135443487]
  本稿では,コンテキスト駆動型ミス・モダリティ学習フレームワークを提案する。 連続的にモダリティ合成とセマンティックアライメントを行い、堅牢な診断を実現する。 最先端のSOTA(State-of-the-art)法では、それぞれ1.26%、0.97%、1.32%のAVG AUCの改善を実現している。
  論文  参考訳（メタデータ） (2026-05-25T15:44:26Z)
• Resilient Vision-Tabular Multimodal Learning under Modality Missingness [1.696842238811138]
  マルチモーダルディープラーニングは医療応用において大きな可能性を秘めている。 既存のアプローチの多くは、完全にモダリティの可用性を暗黙的に仮定している。 共同視覚・タブラリ学習のためのマルチモーダルトランスフォーマーフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-12T12:14:13Z)
• scMRDR: A scalable and flexible framework for unpaired single-cell multi-omics data integration [53.683726781791385]
  単一セルマルチオミクス(ScMRDR)と呼ばれるスケーラブルでフレキシブルな生成フレームワークを導入する。 本手法は, バッチ補正, モダリティアライメント, 生体信号保存の観点から, ベンチマークデータセット上での優れた性能を実現する。
  論文  参考訳（メタデータ） (2025-10-28T21:28:39Z)
• NEARL-CLIP: Interacted Query Adaptation with Orthogonal Regularization for Medical Vision-Language Understanding [51.63264715941068]
  textbfNEARL-CLIP (iunderlineNteracted quunderlineEry underlineAdaptation with ounderlineRthogonaunderlineL regularization)は、VLMベースの新しい相互モダリティ相互作用フレームワークである。
  論文  参考訳（メタデータ） (2025-08-06T05:44:01Z)
• Incomplete Modality Disentangled Representation for Ophthalmic Disease Grading and Diagnosis [16.95583564875497]
  本稿では,不完全なモダリティ・ディアンタングル表現(IMDR)戦略を提案する。 4つのマルチモーダルデータセットの実験により、提案したIMDRが最先端の手法を大幅に上回ることを示した。
  論文  参考訳（メタデータ） (2025-02-17T12:10:35Z)
• 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)
• Adaptive Semi-Supervised Segmentation of Brain Vessels with Ambiguous Labels [63.415444378608214]
  提案手法は, 進歩的半教師付き学習, 適応的学習戦略, 境界拡張など, 革新的な手法を取り入れたものである。 3DRAデータセットによる実験結果から,メッシュベースのセグメンテーション指標を用いて,本手法の優位性を示す。
  論文  参考訳（メタデータ） (2023-08-07T14:16:52Z)
• Simple and Scalable Algorithms for Cluster-Aware Precision Medicine [0.0]
  共同クラスタリングと埋め込みに対するシンプルでスケーラブルなアプローチを提案する。 この新しいクラスタ対応の埋め込みアプローチは、現在の共同埋め込みとクラスタリング法の複雑さと限界を克服する。 当社のアプローチでは,ユーザが希望するクラスタ数を選択する必要はなく,階層的にクラスタ化された埋め込みの解釈可能なデンドログラムを生成する。
  論文  参考訳（メタデータ） (2022-11-29T19:27:26Z)
• Semi-supervised Medical Image Classification with Relation-driven Self-ensembling Model [71.80319052891817]
  医用画像分類のための関係駆動型半教師付きフレームワークを提案する。 これは、摂動下で与えられた入力の予測一貫性を促進することでラベルのないデータを利用する。 本手法は,シングルラベルおよびマルチラベル画像分類のシナリオにおいて,最先端の半教師付き学習手法よりも優れる。
  論文  参考訳（メタデータ） (2020-05-15T06:57:54Z)

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。