論文の概要: Asymmetric Focal Loss Improves Graph Neural Network Prediction of Drug-Drug Interactions

• arxiv url: http://arxiv.org/abs/2607.07611v1
• Date: Wed, 08 Jul 2026 16:28:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-09 22:50:30.461657
• Title: Asymmetric Focal Loss Improves Graph Neural Network Prediction of Drug-Drug Interactions
• Title（参考訳）: 非対称焦点損失は薬物と薬物の相互作用のグラフニューラルネットワーク予測を改善する
• Abstract要約: グラフニューラルネットワークは多剤副作用の予測を改善する。 標準的なバイナリクロスエントロピートレーニングは、よく分類された、そして難しい例に同等のキャパシティを割り当てる。 マルチリレーショナルな薬物と薬物の相互作用予測において,非対称な焦点対象が改善するか否かを検討した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Background: Graph neural networks improve computational prediction of polypharmacy side effects, but standard binary cross-entropy training allocates equal capacity to well-classified and difficult examples, potentially missing clinically significant interactions. We evaluated whether an asymmetric focal objective could improve multi-relational drug-drug interaction (DDI) prediction by emphasizing difficult positive interactions. Methods: ClinicalFocal loss was integrated into a relation-aware graph convolutional network using molecular fingerprints, physicochemical descriptors, and learned embeddings. The model was evaluated on TWOSIDES using five-fold cross-validation with identical experimental conditions (architecture, features, data partitions, hyperparameters, and random seeds) for ClinicalFocal loss and binary cross-entropy baseline. Results: ClinicalFocal loss increased accuracy from 0.699 to 0.892 (+19.3 percentage points) and F1 score from 0.700 to 0.894 (+19.4 percentage points). AUROC increased from 0.766 to 0.914, and AUCPR increased from 0.714 to 0.860. The false-negative rate decreased from 29.8% to 9.1%, while specificity increased from 69.6% to 87.5%. Overall classification error decreased from 30.1% to 10.8%, corresponding to a 64.1% relative reduction. Improvements were consistent across all five folds. Conclusions: Asymmetric focal optimization improved classification and ranking performance while achieving 90.9% recall for observed interaction triples, without modifying the underlying architecture. Loss-function design is a direct, tunable lever for improving graph-based DDI prediction.
• Abstract（参考訳）: 背景: グラフニューラルネットワークは多薬効副作用の計算的予測を改善するが、標準的なバイナリクロスエントロピートレーニングでは、十分に分類された、難しい例に同等の能力が割り当てられ、臨床的に重要な相互作用が欠落する可能性がある。 非対称な焦点対象が、難解な正の相互作用を強調することで、DDI(Mult-relational drug-drug interaction)予測を改善することができるかどうかを検討した。 方法: 分子指紋, 物理化学的記述子, 組込み学習を用いた関係認識型グラフ畳み込みネットワークに臨床組織的損失を組み込んだ。 このモデルはTWOSIDESにおいて,臨床現場の損失と二元的クロスエントロピーベースラインに対して,同じ実験条件(アーキテクチャ,特徴,データパーティション,ハイパーパラメータ,ランダムシード)で5倍のクロスバリデーションを用いて評価した。 結果: 臨床領域の損失は0.699から0.892(+19.3ポイント)に増加し、F1スコアは0.700から0.894(+19.4ポイント)に増加した。 AUROCは0.766から0.914に増加し、AUCPRは0.714から0.860に増加した。 偽陰性率は29.8%から9.1%に減少し、特異性は69.6%から87.5%に増加した。 総合的な分類誤差は、64.1%の相対的な減少に対応して、30.1%から10.8%に減少した。 改良は5つの折り目すべてで一貫していた。 結論:非対称焦点最適化は、基礎となるアーキテクチャを変更することなく、観察された相互作用トリプルを90.9%リコールしながら、分類とランク付け性能を改善した。 ロス関数設計はグラフベースのDDI予測を改善するための直接調整可能なレバーである。

関連論文リスト

• Not All Relations Are Equal: Relation-Balanced and Calibrated Graph Learning for Provenance-Based Intrusion Detection [66.44527094471619]
  本稿では,関係バランスの取れたグラフ学習を用いた教師なしフレームワークRECALについて述べる。 3つのDARPA E3データセットにおいて、RECALはF1スコアの99.99%、99.93%、99.99%を達成し、各データセットでそれぞれ0.88、0.82、0.42で最高のベースラインを上回っている。
  論文  参考訳（メタデータ） (2026-09-15T00:31:01Z)
• Neurosymbolic Alignment for Physiologically-Safe Clinical Language Models [34.30791848883716]
  本稿では,HGNNをベースとした生理的世界モデルと7B臨床LLMを併用したトレーニングタイムフレームワークであるNeurosymbolic Alignmentを提案する。 候補者の反応は、ホメオスタティックな制約、マルチホップパスの妥当性、薬物相互作用の罰則を用いて評価される。 臨床安全ベンチマーク(CSB: Clinical Safety Benchmark)は、遺伝子的臨床推論における生理的制約違反に対する2500-scenarioベンチマークである。
  論文  参考訳（メタデータ） (2026-08-25T13:20:03Z)
• Differentiable latent structure discovery for interpretable forecasting in clinical time series [38.473526928012724]
  連続時間多タスクガウス過程であるStructGPを導入し, 基本的不確かさを保ちながら, 相違構造学習と相違構造学習を組み合わせ, 相互依存の有向非巡回グラフ(DAG)を導出する。 LP-StructGPは,被験者特異的カップリングフィルタとソフトマックスゲーティング機構を用いて,患者間の進行パターンを捉えることで,StructGPを潜在経路に分割し,時間的に変化する軌跡を増大させる。
  論文  参考訳（メタデータ） (2026-04-30T14:59:50Z)
• Improving Generalization of Deep Learning for Brain Metastases Segmentation Across Institutions [5.4585656405659195]
  この作業の目標は、BMセグメンテーションを複数の機関で使用できるようにするためのドメイン適応フレームワークを作ることである。 本稿では,変分オートエンコーダ(VAE)と平均誤差損失(MMD)を組み合わせたVAE-MMD前処理パイプラインを提案する。
  論文  参考訳（メタデータ） (2026-04-01T02:25:25Z)
• DeepFAN, a transformer-based deep learning model for human-artificial intelligence collaborative assessment of incidental pulmonary nodules in CT scans: a multi-reader, multi-case trial [35.165807838511064]
  DeepFANは10K以上の病理確認ノジュールに基づいてトレーニングされたトランスフォーマーベースのモデルである。 結節レベルの読取者間診断の整合性は公正から中等度に改善した。 DeepFANは、中等放射線科医を効果的に支援し、診断品質の均質化を支援する。
  論文  参考訳（メタデータ） (2026-03-26T16:24:56Z)
• Beyond Anatomy: Explainable ASD Classification from rs-fMRI via Functional Parcellation and Graph Attention Networks [6.923757075165361]
  解剖学的脳解析は rs-fMRI に基づく自閉症スペクトラム障害 (ASD) の分類を支配している。 ABIDE Iデータセット上の解剖学的(AAL)と機能的(MSDL)パーセレーション戦略を比較したグラフベースのディープラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-03T02:05:20Z)
• CONFIDE: Hallucination Assessment for Reliable Biomolecular Structure Prediction and Design [46.12506067241116]
  本稿では,位相的フラストレーションを定量化する自己評価尺度であるCODE(Chain of Diffusion Embeddings)を提案する。 エネルギー的およびトポロジ的視点を組み合わせた統合評価フレームワークであるCONFIDEを提案する。 データ駆動の埋め込みと理論的な洞察を組み合わせることで、CODEとConFIDEは、幅広い生体分子システムで既存の指標より優れています。
  論文  参考訳（メタデータ） (2025-11-20T03:38:46Z)
• MeCaMIL: Causality-Aware Multiple Instance Learning for Fair and Interpretable Whole Slide Image Diagnosis [40.3028468133626]
  MIL(Multiple Case Learning)は、コンピュータ病理学における全スライド画像(WSI)解析の主流パラダイムとして登場した。 因果関係を意識したMILフレームワークである textbfMeCaMIL は、構造化因果グラフを通じて、階層的共同創設者を明示的にモデル化する。 MeCaMILは優れた公正性を達成する -- 人口格差の分散は、属性全体の平均で65%以上減少する。
  論文  参考訳（メタデータ） (2025-11-14T06:47:21Z)
• Predicting Metabolic Dysfunction-Associated Steatotic Liver Disease using Machine Learning Methods [0.8642326601683298]
  我々は、公正で厳密で再現可能なMASLD予測モデルを開発した。 MASLDは米国の成人の33%に影響を与え、最も一般的な慢性肝疾患である。
  論文  参考訳（メタデータ） (2025-10-25T13:36:18Z)
• A Novel Hybrid Deep Learning and Chaotic Dynamics Approach for Thyroid Cancer Classification [3.1331787430863485]
  本稿では,適応畳み込みニューラルネットワーク(CNN)とCohen-Daubechies-Feauveau(CDF9/7)ウェーブレットを結合するインテリジェントな分類法を提案する。 DDTI甲状腺超音波画像(n = 1,638画像,819悪性/819良性)を5倍のクロスバリデーションを用いて評価した。 提案手法は98.17%の精度、98.76%の感度、97.58%の特異性、97.55%のF1スコア、AUCは0.9912である。
  論文  参考訳（メタデータ） (2025-09-28T16:46:31Z)
• Enhancing Diabetic Retinopathy Classification Accuracy through Dual Attention Mechanism in Deep Learning [2.856144231792095]
  本研究では,グローバルアテンションブロック(GAB)とカテゴリーアテンションブロック(CAB)をディープラーニングモデルに組み込む。 提案手法は,3つの事前学習ネットワークを用いた注意機構に基づくディープラーニングモデルに基づく。 提案手法はDR分類に関する最近報告された研究と同等の競争性能を実現する。
  論文  参考訳（メタデータ） (2025-07-25T12:09:27Z)
• Development of Automated Neural Network Prediction for Echocardiographic Left ventricular Ejection Fraction [36.58987036154144]
  本稿では,深層ニューラルネットワークとアンサンブル学習に基づく新しいパイプライン手法を提案する。 この手法は,10,030個の心エコー図を含むオープンソースデータセットを用いて開発,検証した。 本研究では、LVEFの自動ニューラルネットワークに基づく計算が、心収縮機能のフレーム・バイ・フレーム手動評価を行う専門医に匹敵することを示した。
  論文  参考訳（メタデータ） (2024-03-18T18:09:22Z)
• Tactile Grasp Refinement using Deep Reinforcement Learning and Analytic Grasp Stability Metrics [70.65363356763598]
  解析的把握安定性指標が強化学習アルゴリズムの強力な最適化目標であることを示す。 幾何的および力量に依存しないグリップ安定性の指標を組み合わせることで、カブイドの平均成功率は95.4%となることを示す。 第2の実験では,触覚情報を持たないベースラインよりも,接触フィードバックで訓練したグリップリファインメントアルゴリズムが最大6.6%向上することを示した。
  論文  参考訳（メタデータ） (2021-09-23T09:20:19Z)

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。