論文の概要: RetiSEM: Generalising Causal Models for Fragmented Biomedical Data

• arxiv url: http://arxiv.org/abs/2606.24488v1
• Date: Tue, 23 Jun 2026 12:20:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-24 22:16:48.939881
• Title: RetiSEM: Generalising Causal Models for Fragmented Biomedical Data
• Title（参考訳）: RetiSEM: フラグメンテッドバイオメディカルデータのための因果モデル
• Authors: Inam Ullah, Imran Razzak, Shoaib Jameel,
• Abstract要約: RetiSEMは、限られたマルチモーダルリソース下での因果グラフの回復と仲介分析のためのフレームワークである。 我々はRetiSEMを,次元,非線形性,因果深さ,経路構造に異なる10のベンチマークシナリオで評価した。 実データ解析では、網膜変数は主に下流のバイオマーカーのような指標として振る舞うが、より小さいが検出可能な間接効果を持つ。
• 参考スコア（独自算出の注目度）: 18.644793391628234
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Learning causal models from fragmented biomedical data is challenging because clinical, molecular, and imaging variables are often incomplete or not jointly observed. We propose RetiSEM, a domain-constrained structural equation modelling (SEM) framework for causal graph recovery and mediation analysis under limited multimodal resources. This proposed work organises variables into biologically informed blocks, applies forbidden-edge constraints, and decomposes pathway-level effects into TE, NDE, and NIE components. We evaluate RetiSEM across ten synthetic benchmark scenarios that vary in dimensionality, nonlinearity, causal depth, and pathway structure, together with a fragmented real-world setting that combines NHANES clinical variables with externally derived retinal representations. This approach achieves lower structural error and higher causal accuracy than unconstrained baselines across the synthetic benchmarks. In the real-data analysis, retinal variables behave mainly as downstream biomarker-like indicators, with smaller but detectable indirect effects. These findings support our strategy as an interpretable framework for testing structured causal hypotheses in limited-resource biomedical AI. The code and resources for this work are publicly available at: https://github.com/Inamullah-Colab/ReitSEM.
• Abstract（参考訳）: 臨床、分子、イメージングの変数は、しばしば不完全または共同で観察されるため、断片化されたバイオメディカルデータから因果モデルを学ぶことは困難である。 限られたマルチモーダルリソース下での因果グラフの回復とメディエーション解析のためのドメイン制約構造方程式モデリング(SEM)フレームワークRetiSEMを提案する。 提案した研究は、変数を生物学的に情報を得たブロックに整理し、制約を適用し、経路レベルの効果をTE、NDE、NIEコンポーネントに分解する。 我々は、NHANES臨床変数と外部から派生した網膜表現を組み合わせたフラグメント化された実世界の設定とともに、次元性、非線形性、因果深さ、経路構造に異なる10のベンチマークシナリオ間でRetiSEMを評価した。 このアプローチは, 合成ベンチマークにおける非制約ベースラインよりも, 構造誤差の低減と因果精度の向上を実現している。 実データ解析では、網膜変数は主に下流のバイオマーカーのような指標として振る舞うが、より小さいが検出可能な間接効果を持つ。 これらの知見は、限られたリソースのバイオメディカルAIにおいて、構造的因果仮説をテストするための解釈可能なフレームワークとして、我々の戦略を支持する。 この作業のコードとリソースは、https://github.com/Inamullah-Colab/ReitSEMで公開されている。

関連論文リスト

• Motion-Guided Causal Disentanglement for Robust Multi-View Cine Cardiac MRI Diagnosis [0.4638331367650009]
  本稿では,ViT-MAEバックボーン上に構築したMoViDフレームワークを提案する。 プライベートな臨床静脈血栓症データセットと2つの公開ベンチマークの枠組みについて検討した。
  論文  参考訳（メタデータ） (2026-06-03T03:45:11Z)
• Influence-Guided Symbolic Regression: Scientific Discovery via LLM-Driven Equation Search with Granular Feedback [56.69850045068714]
  逐次的2段階プロセスとして方程式発見をフレーム化する方法である textitInfluence-Guided Regression (IGSR) を導入する。 LLM-SRBench, 薬理学的PKPDモデル, 疫学シミュレーション, 実世界のゲノムデータなど, IGSRの有効性を示す。
  論文  参考訳（メタデータ） (2026-05-27T23:48:01Z)
• An unsupervised decision-support framework for multivariate biomarker analysis in athlete monitoring [37.43688754886933]
  スポーツ選手のモニタリングは、小さなコホート、異質なバイオマーカースケール、反復サンプリングの実現可能性の制限、信頼性のある損傷基盤の真実の欠如によって制限されている。 本研究は,実データを用いたスポーツ選手の潜伏生理状態を特定するために,教師なし多変量フレームワークを提案することで,これらの課題に対処する。 本稿では,共同バイオマーカー空間で動作するモジュール型計算フレームワークを提案し,前処理,臨床安全スクリーニング,非教師なしクラスタリング,およびセントロイドに基づく生理学的解釈を統合する。
  論文  参考訳（メタデータ） (2026-04-16T01:59:36Z)
• Clinical Cognition Alignment for Gastrointestinal Diagnosis with Multimodal LLMs [63.535652574541764]
  MLLM(Multimodal Large Language Models)は医用画像解析において顕著な可能性を示した。 消化器内視鏡におけるそれらの応用は、現在、2つの重要な限界によって妨げられている。 本稿では,これらの課題に対処する新しい臨床認知アライメント(CogAlign)フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-21T07:47:37Z)
• Data-Efficient Meningioma Segmentation via Implicit Spatiotemporal Mixing and Sim2Real Semantic Injection [6.992254817538211]
  本研究では,空間的多様体展開と意味的オブジェクト注入を統合した新しい二重拡張フレームワークを提案する。 我々のフレームワークは,nnU-NetやU-Mambaといった最先端モデルのデータ効率とロバスト性を大幅に向上させることを示す。
  論文  参考訳（メタデータ） (2026-01-19T09:11:28Z)
• Large-scale EM Benchmark for Multi-Organelle Instance Segmentation in the Wild [8.670858548670742]
  本研究では, 多様なセルタイプにまたがる10万以上の2次元EM画像と, 実世界の変動を捉えた5つのオルガネラクラスからなる, マルチオルガネラインスタンスセグメンテーションのベンチマークを開発する。 現在のモデルでは、異種EMデータの一般化に苦慮し、グローバルな分散形態を持つオルガネラでは性能が悪くなっている。 これらの知見は,局所文脈モデルと実世界の変動性の存在下での長距離構造的連続性をモデル化する課題との根本的なミスマッチを浮き彫りにした。
  論文  参考訳（メタデータ） (2026-01-18T16:09:27Z)
• 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)
• Deep Variational Lesion-Deficit Mapping [0.3914676152740142]
  本稿では,病変欠損モデル比較のための包括的枠組みを提案する。 また,本モデルでは,すべてのシミュレーションシナリオにおいて,確立された手法よりもかなり優れていることを示す。 我々の分析は、このアプローチの広く採用されていることを正当化する。
  論文  参考訳（メタデータ） (2023-05-27T13:49:35Z)
• Pain level and pain-related behaviour classification using GRU-based sparsely-connected RNNs [61.080598804629375]
  慢性的な痛みを持つ人は、特定の身体の動きを無意識に適応させ、怪我や追加の痛みから身を守る。 この相関関係を分析するための専用のベンチマークデータベースが存在しないため、日々の行動に影響を及ぼす可能性のある特定の状況の1つを検討した。 我々は、複数のオートエンコーダを組み込んだゲートリカレントユニット(GRU)と疎結合なリカレントニューラルネットワーク(s-RNN)のアンサンブルを提案した。 本手法は,痛みレベルと痛み関連行動の両方の分類において,最先端のアプローチよりも優れていることを示すいくつかの実験を行った。
  論文  参考訳（メタデータ） (2022-12-20T12:56:28Z)

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。