論文の概要: Re-mixing Embeddings for Patient Augmentation in Data Scarce Multiple Instance Learning

• arxiv url: http://arxiv.org/abs/2606.25770v1
• Date: Wed, 24 Jun 2026 12:45:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-25 17:05:30.329486
• Title: Re-mixing Embeddings for Patient Augmentation in Data Scarce Multiple Instance Learning
• Title（参考訳）: データスカース複数インスタンス学習における患者増員のための再混合埋め込み
• Abstract要約: データ不足はMIL(Multiple Instance Learning)における大きなボトルネックである 組込み空間における現実的な患者を直接生成する統計的基盤型患者増悪アプローチを導入する。 臨床的に関係のある3症例にまたがって本手法の評価を行った。
• 参考スコア（独自算出の注目度）: 34.11909708326785
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Data scarcity is a major bottleneck in medical Multiple Instance Learning (MIL), especially for rare diseases or expensive modalities. We introduce a statistically grounded patient augmentation approach that generates realistic patients directly in embedding space. Using Gaussian Mixture Models as a probabilistic clustering approach on pooled instance embeddings from all patients, our method learns disease-specific "recipes"-statistical distributions of instances across unsupervised clusters. New patients are then generated by sampling embeddings from clusters based on learned recipes. Unlike existing methods that require examples from all categories, our method can generate patients offline by re-mixing pooled embeddings. Generated patients are further selected based on uncertainty quantification to improve MIL performance. We evaluate our method across three clinically relevant scarcity scenarios: (i) cross-dataset transfer, where an entirely missing "healthy" class is generated using statistics from an external cohort; (ii) low-data regimes, where class sizes are extremely limited; and (iii) small-cohort non-image tasks, including single-cell RNA-seq and flow cytometry. Across all experiments, our method improves performance over baseline, often outperforming other bag-mixing strategies. Notably, in the missing-class scenario, a performance comparable to full-dataset training is achieved, demonstrating its potential for rare disease diagnostic and privacy-preserving patient augmentation. The code is available at https://github.com/marrlab/RECIPE
• Abstract（参考訳）: データ不足は、医療におけるMIL(Multiple Instance Learning)の大きなボトルネックであり、特に稀な疾患や高価なモダリティに対してである。 組込み空間における現実的な患者を直接生成する統計的基盤型患者増悪アプローチを導入する。 ガウス混合モデルを用いて全患者からプールされたインスタンス埋め込みの確率的クラスタリング手法を用いて, 疾患特異的な"レシピ"統計分布を, 教師なしクラスタ全体にわたって学習する。 新しい患者は、学習したレシピに基づいて、クラスターから埋め込みをサンプリングすることによって生成される。 あらゆるカテゴリの例を必要とする既存の方法とは異なり,本手法では,プール埋め込みをリミックスすることで患者をオフラインで生成することができる。 MIL性能を向上させるために、不確実性定量化に基づいて、生成した患者を更に選択する。 臨床的に関係のある3つの難易度シナリオにまたがって,本手法の評価を行った。 (i)外部コホートから統計を用いて、完全に欠落した「健康」クラスが生成されるクロスデータセット転送 (二)クラスサイズが極端に制限された低データ体制 3) 単細胞RNA-seqやフローサイトメトリーを含む小コホート非イメージタスク。 全ての実験において,本手法はベースラインよりも性能が向上し,他のバッグ混合手法よりも優れることが多い。 特に、不足クラスのシナリオでは、フルデータセットトレーニングに匹敵するパフォーマンスが達成され、希少な疾患の診断とプライバシ保護の患者強化の可能性を示す。 コードはhttps://github.com/marrlab/RECIPEで公開されている。

関連論文リスト

• FRESH: Information-Geometric Calibration of Patient-Level Models to Aggregate Evidence [0.0]
  Freshは、患者レベルのデータに基づいてトレーニングされた予測モデルに、人口レベルの要約結果を組み込む方法である。 本手法は,対象人口に対する特定の集計統計値のセットと一致する再校正モデルを用いて患者レベルの予測を行う。
  論文  参考訳（メタデータ） (2026-05-15T17:50:11Z)
• Semi-supervised Clustering Through Representation Learning of Large-scale EHR Data [5.591260685112265]
  SCOREは、患者埋め込みを通じて多領域の疾患プロファイルをキャプチャする半教師付き表現学習フレームワークである。 大規模データの計算課題に対処するため、ハイブリッド期待最大化(EM)とガウス変分近似(GVA)アルゴリズムを導入している。 分析の結果,ラベル付きデータの導入により精度が向上し,ラベル不足に対する感度が低下することがわかった。
  論文  参考訳（メタデータ） (2025-05-27T05:20:17Z)
• From Isolation to Collaboration: Federated Class-Heterogeneous Learning for Chest X-Ray Classification [4.0907576027258985]
  フェデレートラーニングは,グローバル胸部X線分類モデル(CXR)を協調的にトレーニングするための,有望なパラダイムである。 本研究では,選択的アグリゲーションを用いてグローバルモデルの協調学習を行うFL法である外科的アグリゲーションを提案する。 その結果,本手法は現在の手法よりも優れ,一般化性が高いことがわかった。
  論文  参考訳（メタデータ） (2023-01-17T03:53:29Z)
• Compound Batch Normalization for Long-tailed Image Classification [77.42829178064807]
  本稿では,ガウス混合に基づく複合バッチ正規化法を提案する。 機能空間をより包括的にモデル化し、ヘッドクラスの優位性を減らすことができる。 提案手法は,画像分類における既存の手法よりも優れている。
  論文  参考訳（メタデータ） (2022-12-02T07:31:39Z)
• Intra-class Adaptive Augmentation with Neighbor Correction for Deep Metric Learning [99.14132861655223]
  深層学習のためのクラス内適応拡張(IAA)フレームワークを提案する。 クラスごとのクラス内変動を合理的に推定し, 適応型合成試料を生成し, 硬質試料の採掘を支援する。 本手法は,検索性能の最先端手法を3%～6%向上させる。
  論文  参考訳（メタデータ） (2022-11-29T14:52:38Z)
• Adaptive Personlization in Federated Learning for Highly Non-i.i.d. Data [37.667379000751325]
  フェデレートラーニング(Federated Learning, FL)は、医療機関にグローバルモデルにおけるコラボレーションの見通しを提供する分散ラーニング手法である。 本研究では,FLの中間的半言語モデルを生成する適応階層クラスタリング手法について検討する。 本実験は, 分類精度の標準的なFL法と比較して, 不均質分布において有意な性能向上を示した。
  論文  参考訳（メタデータ） (2022-07-07T17:25:04Z)
• SANSformers: Self-Supervised Forecasting in Electronic Health Records with Attention-Free Models [48.07469930813923]
  本研究は,医療施設への患者訪問数を予測することにより,医療サービスの需要を予測することを目的とする。 SNSformerは、特定の帰納バイアスを設計し、EHRデータの特異な特徴を考慮に入れた、注意のない逐次モデルである。 本研究は, 各種患者集団を対象とした医療利用予測の修正における, 注意力のないモデルと自己指導型事前訓練の有望な可能性について考察した。
  論文  参考訳（メタデータ） (2021-08-31T08:23:56Z)
• Continual Learning with Fully Probabilistic Models [70.3497683558609]
  機械学習の完全確率的(または生成的)モデルに基づく継続的学習のアプローチを提案する。 生成器と分類器の両方に対してガウス混合モデル(GMM)インスタンスを用いた擬似リハーサル手法を提案する。 我々は,GMRが,クラス増分学習問題に対して,非常に競合的な時間とメモリの複雑さで,最先端のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2021-04-19T12:26:26Z)
• Bootstrapping Your Own Positive Sample: Contrastive Learning With Electronic Health Record Data [62.29031007761901]
  本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。 EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。 私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
  論文  参考訳（メタデータ） (2021-04-07T06:02:04Z)
• Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype Prediction [55.94378672172967]
  本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。 新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。 我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
  論文  参考訳（メタデータ） (2020-09-02T02:50:30Z)
• Predictive Modeling of ICU Healthcare-Associated Infections from Imbalanced Data. Using Ensembles and a Clustering-Based Undersampling Approach [55.41644538483948]
  本研究は,集中治療室における危険因子の同定と医療関連感染症の予測に焦点をあてる。 感染発生率の低減に向けた意思決定を支援することを目的とする。
  論文  参考訳（メタデータ） (2020-05-07T16:13:12Z)

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。