論文の概要: Cross-Domain Feature Expansion for Tabular Medical Data via Knowledge Graphs Injection

• arxiv url: http://arxiv.org/abs/2606.31171v1
• Date: Tue, 30 Jun 2026 06:01:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-01 18:27:19.09106
• Title: Cross-Domain Feature Expansion for Tabular Medical Data via Knowledge Graphs Injection
• Title（参考訳）: 知識グラフ注入による口蓋内医療データのクロスドメイン機能拡張
• Abstract要約: MedKGTabは医療データのクロスドメイン機能拡張に特化して開発された知識注入型フレームワークである。 MedKGTabは行列の二重アテンション機構を用いることで、生の構造化データを直接操作する。 MedKGTabはSPOKEのバイオメディカル知識グラフとデータ駆動統計を統合し、データと知識チャネルの最適な相乗効果を達成する。
• 参考スコア（独自算出の注目度）: 5.757338012806726
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Acquiring comprehensive cross-domain biomedical profiles is often costly and time-consuming, resulting in severe data scarcity in medical research. To address this challenge, we propose MedKGTab, a knowledge-injected framework specifically engineered for cross-domain feature expansion in tabular medical data. MedKGTab seeks to infer uncollected biomedical features from available ones by exploiting their inherent statistical dependencies and established medical correlations. By employing a row-column dual-attention mechanism, MedKGTab operates directly on raw structured tabular data, inherently capturing exact numerical distributions without the structural loss caused by tokenization. Crucially, MedKGTab integrates data-driven statistical priors with the SPOKE biomedical knowledge graph, achieving an optimal synergy between the data and knowledge channels. Within this synergy, the representations derived from the data channel are modulated by the injected biomedical knowledge, ensuring the final generated data are grounded in empirical medical research. Experimental results demonstrate that MedKGTab achieves high data fidelity and realistic data representation in cross-domain feature expansion. It outperforms both SOTA medical large models (e.g., Baichuan M3-plus) and specialized tabular models designed for medical data generation. Furthermore, MedKGTab consistently delivers superior performance across various data generation scenarios, whether inferring missing features within the same dataset or generalizing across different medical cohorts.
• Abstract（参考訳）: 包括的なクロスドメインのバイオメディカルプロファイルを取得することは、しばしばコストと時間を要するため、医学研究において深刻なデータ不足をもたらす。 この課題に対処するため,表医用データのクロスドメイン機能拡張に特化して設計された知識注入フレームワークであるMedKGTabを提案する。 MedKGTabは、その固有の統計的依存関係と確立された医学的相関を利用して、未収集の生医学的特徴を利用可能なものから推測しようとしている。 MedKGTabは行列の二重アテンション機構を用いることで、生の構造化表データを直接操作し、トークン化による構造的損失を伴わずに、本質的に正確な数値分布をキャプチャする。 重要な点として、MedKGTabはデータ駆動統計学の先駆をSPOKEバイオメディカル知識グラフと統合し、データと知識チャネルの最適な相乗効果を達成する。 このシナジーの中では、データチャネルから導出される表現は、注入された生体医学的知識によって変調され、最終的な生成データが実証医学研究に基礎を置いていることが保証される。 実験により,MedKGTabはクロスドメイン機能拡張において高いデータ忠実度とリアルなデータ表現を実現することが示された。 SOTAの医療用大型モデル(Baichuan M3+など)と、医療データ生成用に設計された特殊な表形式モデルの両方を上回ります。 さらに、MedKGTabは、同じデータセットに欠けている機能を推測するか、異なる医療コホートをまたいで一般化するかにかかわらず、さまざまなデータ生成シナリオに対して一貫して優れたパフォーマンスを提供する。

関連論文リスト

• MedFlow: Class-Aware Multi-Scale Generation for Medical Time-Series Synthesis [61.211117385840396]
  医用時系列合成のためのクラス認識フローマッチングフレームワークであるMedFlowを提案する。 MedFlowは、ベクトル量子化マルチスケールトークンーザを使用して、補完的な時間分解能で医療シーケンスを表現する。 クラス条件トークン統計を直接フローマッチングプロセスに組み込むToken Marginal Guidanceは、クラス固有の領域へのステアリングを生成する。
  論文  参考訳（メタデータ） (2026-09-04T07:02:12Z)
• Project Imaging-X: A Survey of 1000+ Open-Access Medical Imaging Datasets for Foundation Model Development [314.80153557710616]
  我々は、1,000以上のオープンアクセスデータセットをカバーする、医療画像データセットの現在における最大の調査を提示する。 私たちの分析では、範囲が狭いタスクにまたがって断片化され、臓器やモダリティに不均一に分散した、質素なスケールのランドスケープを公開しています。 本稿では,メタデータ駆動型融合パラダイム(MDFP)を提案する。
  論文  参考訳（メタデータ） (2026-03-29T00:46:53Z)
• Multimodal Contrastive Representation Learning in Augmented Biomedical Knowledge Graphs [2.006175707670159]
  PrimeKG++はマルチモーダルデータを組み込んだ豊富な知識グラフである。 提案手法は強い一般化可能性を示し,未知のノードに対しても正確なリンク予測を可能にする。
  論文  参考訳（メタデータ） (2025-01-03T05:29:12Z)
• FEDMEKI: A Benchmark for Scaling Medical Foundation Models via Federated Knowledge Injection [83.54960238236548]
  FEDMEKIはデータのプライバシーを守るだけでなく、医療基盤モデルの能力を高める。 FEDMEKIは、医療ファンデーションモデルに対して、直接データを公開することなく、幅広い医療知識から学ぶことを可能にする。
  論文  参考訳（メタデータ） (2024-08-17T15:18:56Z)
• EMERGE: Enhancing Multimodal Electronic Health Records Predictive Modeling with Retrieval-Augmented Generation [22.94521527609479]
  EMERGEはRetrieval-Augmented Generation(RAG)駆動のフレームワークであり、マルチモーダルEHR予測モデリングを強化する。 時系列データと臨床ノートからエンティティを抽出し,LLM(Large Language Models)を誘導し,プロのPrimeKGと整合させる。 抽出した知識は、患者の健康状態のタスク関連サマリーを生成するために使用される。
  論文  参考訳（メタデータ） (2024-05-27T10:53:15Z)
• Eye-gaze Guided Multi-modal Alignment for Medical Representation Learning [65.54680361074882]
  アイゲイズガイドマルチモーダルアライメント(EGMA)フレームワークは、アイゲイズデータを利用して、医用視覚的特徴とテキスト的特徴のアライメントを改善する。 我々は4つの医療データセット上で画像分類と画像テキスト検索の下流タスクを行う。
  論文  参考訳（メタデータ） (2024-03-19T03:59:14Z)
• MediTab: Scaling Medical Tabular Data Predictors via Data Consolidation, Enrichment, and Refinement [44.693325083735424]
  患者の健康リスク予測などの医療応用において,タブラルデータ予測が採用されている。 以前の予測子は、手動でキュレートされた小さなデータセットでトレーニングされることが多い。
  論文  参考訳（メタデータ） (2023-05-20T03:37:09Z)
• BioIE: Biomedical Information Extraction with Multi-head Attention Enhanced Graph Convolutional Network [9.227487525657901]
  本稿では,バイオメディカルテキストと非構造化医療報告から関係を抽出するハイブリッドニューラルネットワークであるバイオメディカル情報抽出を提案する。 本研究は,2つの主要な生医学的関係抽出タスク,化学物質とタンパク質の相互作用,およびクロスホスピタル・パン・カンノロジー報告コーパスについて検討した。
  論文  参考訳（メタデータ） (2021-10-26T13:19:28Z)
• Label scarcity in biomedicine: Data-rich latent factor discovery enhances phenotype prediction [102.23901690661916]
  低次元の埋め込み空間は、健康指標、ライフスタイル、および人口動態の予測をデータスカース化するために、英国バイオバンクの人口データセットから導出することができる。 半超越的アプローチによるパフォーマンス向上は、おそらく様々な医学データサイエンス応用にとって重要な要素となるだろう。
  論文  参考訳（メタデータ） (2021-10-12T16:25:50Z)
• Demographic Aware Probabilistic Medical Knowledge Graph Embeddings of Electronic Medical Records [0.5524804393257919]
  電子医療記録(EMR)から構築された医療知識グラフ(KG)には、患者や医療機関に関する豊富な情報が含まれている。 DarLINGは、患者の人口統計を対応するハイパープレーンと関連付けることによって、医療現場に人口統計を明示的に組み込む人口統計認識医療KG埋め込みフレームワークです。 EMRデータから構築した医用KGを用いた治療薬のリンク予測によるDARlingの評価を行い,既存のKG埋め込みモデルと比較して優れた性能を示した。
  論文  参考訳（メタデータ） (2021-03-22T15:45:05Z)
• 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。