論文の概要: Causal-RetiGraph: Cross-Cohort Retinal Support and Same-Subject Pathway Analysis for Diabetic Retinopathy
- arxiv url: http://arxiv.org/abs/2607.05204v1
- Date: Mon, 06 Jul 2026 15:22:20 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-07 22:26:30.208613
- Title: Causal-RetiGraph: Cross-Cohort Retinal Support and Same-Subject Pathway Analysis for Diabetic Retinopathy
- Title（参考訳）: Causal-RetiGraph : 糖尿病網膜症に対するクロスコホート網膜サポートと同じ対象経路解析
- Abstract要約: 現代の網膜AIは画像を正確に評価することができるが、しばしば、局所的な病変の証拠、網膜血管構造、および全身性疾患経路がどうつながっているかを答えない。
本稿では、網膜グラフ表現型とNHANESアンコールド経路モデリングを結びつける、コンパクトなバイオメディカル情報処理フレームワークであるemphCausal-RetiGraphを紹介する。
- 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: Diabetic retinopathy (DR) is a local retinal lesion process and a visible manifestation of systemic microvascular injury. Modern retinal AI can grade images accurately, but often leaves unanswered how local lesion evidence, retinal vascular structure, and systemic disease pathways are connected. This paper introduces \emph{Causal-RetiGraph}, a compact biomedical informatics framework that links retinal graph phenotypes with NHANES-anchored pathway modelling. The retinal-image fold constructs an interpretable $X1234$ phenotype from vessel maps, lesion evidence, image embeddings, and AutoMorph biomarkers through spatial $X_{12}$ and Jacobian $X_{34}$ branches. The NHANES fold models systemic exposures, covariates, a same-subject retinal mediator family $R^*$, and downstream outcome families. $X1234$ is used for retinal support and pathway prioritisation, while $R^*$ is used for participant-level pathway summaries. On the retinal fold, $X1234$ achieves 0.9055 binary DR accuracy and 0.9711 AUROC, with graded DR QWK of 0.8312. The results show that lesion and biomarker streams improve contextual retinal representation under scarce and imbalanced data. In NHANES, HbA1c, urine albumin, pulse pressure, fasting glucose, and systolic blood pressure are the strongest binary DR anchors. Participant-level pathway analysis identifies glycaemic--renal and glycaemic--haemodynamic pathways as the clearest mediator-style signals. These results suggest that retinal graph phenotypes can help prioritise systemic pathways in DR while preserving the distinction between image-derived support and same-subject mediation.
- Abstract（参考訳）: 糖尿病網膜症(英: Diabetic retinopathy, DR)は、局所網膜病変の過程であり、全身性微小血管障害の顕在化である。
現代の網膜AIは画像を正確に評価することができるが、しばしば、局所的な病変の証拠、網膜血管構造、および全身性疾患経路がどうつながっているかを答えない。
本稿では、網膜グラフの表現型とNAANESアンコールド経路のモデリングを結びつける、コンパクトな生体情報処理フレームワークである \emph{Causal-RetiGraph} を紹介する。
網膜像は、X_{12}$とJacobian $X_{34}$の枝を通して、血管地図、病変証拠、画像埋め込み、オートモルフバイオマーカーから解釈可能な$X1234$の表現型を構成する。
NHANES foldは、全身曝露、共変量、同じサブオブジェクトの網膜メディエーターファミリー$R^*$、下流結果ファミリーをモデル化する。
X1234$は網膜支持と経路優先に使用され、R^*$は参加者レベルの経路要約に使用される。
網膜の折り畳みでは、X1234$は0.9055バイナリDRの精度と0.9711 AUROCを達成し、DR QWKは0.8312である。
その結果、病変とバイオマーカーストリームは、不足および不均衡なデータの下で、文脈的網膜表現を改善することが明らかとなった。
NHANESでは、HbA1c、尿アルブミン、脈圧、断食性グルコース、収縮性血圧が最も強い2成分のDRアンカーである。
参加者レベルの経路解析は、最もクリアなメディエータースタイルのシグナルとしてグリコーマ-腎-およびグリコーマ-血行動態経路を同定する。
これらの結果は、網膜グラフ表現型は、画像由来の支持と同一対象のメディエーションの区別を保ちながら、DRの全身経路の優先順位付けに役立つことを示唆している。
関連論文リスト
- PARAGraph: Pathology-Anatomy-Aware Hierarchical Graph for Diabetic Retinopathy Grading [27.94978331050486]
糖尿病網膜症診断のための病理解剖学的階層グラフフレームワークを提案する。
PARAGraphは、各イメージを、病変レベルノード、中間カテゴリとリージョンノード、グローバル解剖学的およびセマンティックノードを備えた3レベルの階層グラフとして表現する。
Messidor-2, APTOS, DDRの実験から, PARAGraphは最先端の手法よりも一貫したDRグレーディング性能を実現していることがわかった。
論文 参考訳（メタデータ） (2026-08-08T23:40:32Z) - A Dual Edge Spatial Jacobian Image Graph for Interpretable Diabetic Retinopathy Grading [18.644793391628234]
糖尿病性網膜症を鑑別するために,両端の空間ヤコビ画像グラフを作成した。
各基礎画像は、4つのアライメントストリームを持つグラフノードとして表現される。
このフレームワークは、病変バイオマーカー仮説生成のための説明可能な表現学習ツールとして位置づけられている。
論文 参考訳（メタデータ） (2026-06-23T05:41:07Z) - Explainable Multi-Task Retinal Imaging Reveals Microvascular Signals for Systemic Risk Stratification in Type 2 Diabetes: A Pilot Study [2.153295259565971]
糖尿病2型糖尿病における網膜微小血管の特徴と全身異常との関連性を明らかにするための多タスク深層学習フレームワークを開発した。
重力重み付きクラス活性化マッピング(Grad-CAM)、解剖学的マスキング、血管アライメント解析を用いてモデル解釈性を評価した。
この枠組みは, 腎臓異常の診断において, タスク依存的な予測性能を示した。
論文 参考訳（メタデータ） (2026-05-24T07:32:58Z) - Design and Validation of a Responsible Artificial Intelligence-based System for the Referral of Diabetic Retinopathy Patients [65.57160385098935]
糖尿病網膜症の早期発見は、視力喪失のリスクを最大95%減少させる可能性がある。
我々は、AIライフサイクル全体にわたる倫理的原則を取り入れた、DRスクリーニングのための責任あるAIシステムであるRAIS-DRを開発した。
当科におけるRAIS-DRをFDA認可のEyeArtシステムと比較した。
論文 参考訳（メタデータ） (2025-08-17T21:54:11Z) - Interpretable Retinal Disease Prediction Using Biology-Informed Heterogeneous Graph Representations [40.8160960729546]
解釈可能性は、医療診断のための機械学習モデルの信頼性を高めるために不可欠である。
本研究では,確立した機械学習モデルの性能を超える手法を提案する。
論文 参考訳（メタデータ） (2025-02-23T19:27:47Z) - Segmentation of Blood Vessels, Optic Disc Localization, Detection of
Exudates and Diabetic Retinopathy Diagnosis from Digital Fundus Images [0.0]
糖尿病網膜症(英: Diabetic Retinopathy, DR)は、慢性糖尿病の合併症の一つで、世界有数の失明の原因の一つである。
本稿では, DR, viz. 血管および排出液の特徴を抽出する改良的, 堅牢な方法に焦点を当てた。
血管のセグメンテーション、光ディスクの局在、DCNNはそれぞれ95.93%、98.77%、75.73%である。
論文 参考訳（メタデータ） (2022-07-09T22:26:04Z) - An Algorithm for the Labeling and Interactive Visualization of the
Cerebrovascular System of Ischemic Strokes [59.116811751334225]
VirtualDSA++は、CTAスキャンで脳血管ツリーをセグメンテーションし、ラベル付けするために設計されたアルゴリズムである。
閉塞血管を同定するために,脳動脈のラベル付け機構を拡張した。
本稿では,そのモデルの全ノードにおける経路の反復的体系探索という一般的な概念を紹介し,新たな対話的特徴を実現する。
論文 参考訳（メタデータ） (2022-04-26T14:20:26Z) - A deep learning model for classification of diabetic retinopathy in eye
fundus images based on retinal lesion detection [0.0]
糖尿病網膜症(英: Diabetic retinopathy, DR)は、糖尿病が網膜に影響を及ぼす結果である。
失明の原因は、未診断で治療を受けていない場合である。
本稿では眼底画像の自動DR分類モデルを提案する。
論文 参考訳（メタデータ） (2021-10-14T22:04:59Z) - Assessing glaucoma in retinal fundus photographs using Deep Feature
Consistent Variational Autoencoders [63.391402501241195]
緑内障は症状が重くなるまで無症状のままでいるため、検出が困難である。
緑内障の早期診断は機能的,構造的,臨床的評価に基づいて行われることが多い。
ディープラーニング手法はこのジレンマを、マーカー識別段階をバイパスし、ハイレベルな情報を分析してデータを分類することで部分的に解決している。
論文 参考訳（メタデータ） (2021-10-04T16:06:49Z) - In-Line Image Transformations for Imbalanced, Multiclass Computer Vision
Classification of Lung Chest X-Rays [91.3755431537592]
本研究は、COVID-19 LCXRデータ不足のバランスをとるために画像変換を適用するために、文献の体系を活用することを目的としている。
convolutional neural networks(cnns)のようなディープラーニング技術は、健康状態と疾患状態を区別する特徴を選択することができる。
本研究は,CNNアーキテクチャを用いて高速多クラスLCXR分類を94%精度で行う。
論文 参考訳（メタデータ） (2021-04-06T02:01:43Z) - An Interpretable Multiple-Instance Approach for the Detection of
referable Diabetic Retinopathy from Fundus Images [72.94446225783697]
基礎画像における参照糖尿病網膜症検出のための機械学習システムを提案する。
画像パッチから局所情報を抽出し,アテンション機構により効率的に組み合わせることで,高い分類精度を実現することができる。
我々は,現在入手可能な網膜画像データセットに対するアプローチを評価し,最先端の性能を示す。
論文 参考訳（メタデータ） (2021-03-02T13:14:15Z) - A Benchmark for Studying Diabetic Retinopathy: Segmentation, Grading,
and Transferability [76.64661091980531]
糖尿病患者は糖尿病網膜症(DR)を発症するリスクがある
コンピュータ支援型DR診断は、DRの早期検出と重度評価のための有望なツールである。
このデータセットは、ピクセルレベルのDR関連病変アノテーションを持つ1,842枚の画像と、6人の眼科医によって評価された画像レベルのラベルを持つ1,000枚の画像を有する。
論文 参考訳（メタデータ） (2020-08-22T07:48:04Z)
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。