論文の概要: NeuroGRIP: Retrieval-Augmented Graph Refinement for Knowledge-Grounded EEG Seizure Diagnosis

• arxiv url: http://arxiv.org/abs/2607.14314v1
• Date: Wed, 15 Jul 2026 19:20:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-17 17:01:32.895737
• Title: NeuroGRIP: Retrieval-Augmented Graph Refinement for Knowledge-Grounded EEG Seizure Diagnosis
• Title（参考訳）: NeuroGRIP: 知識付き脳波シーズーア診断のための検索用グラフリファインメント
• Abstract要約: ノイズの多い脳波グラフをキャリブレーションするための検索強化グラフ改善フレームワークであるNeuroGRIPを紹介する。 まず,権威的臨床ガイドラインに基づく大規模・ドメイン固有知識ベースを構築した。 本フレームワークは,STGNN生成したEEGノードをKGの意味空間に投影することで,アライメント対応クエリ構築を行う。
• 参考スコア（独自算出の注目度）: 19.853206603792824
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Seizure diagnosis from EEG signals is a critical yet persistently challenging task, due to the complicated neural dynamics and the spurious connections in inter-channel modeling. While spatial-temporal graph neural networks (STGNNs) have advanced EEG brain network representation learning, the resulting graph structures suffer from low clinical plausibility and limited interpretability due to their purely data-driven nature. To this end, we introduce NeuroGRIP, a retrieval-augmented graph refinement framework that incorporates external medical knowledge to calibrate noisy EEG graphs. We first construct a large-scale, domain-specific knowledge base derived from authoritative clinical guidelines. Leveraging large language models, we extract structured biomedical entities and relations to form a textual knowledge graph (KG), which serves as external knowledge source of clinical priors. Our framework performs alignment-aware query construction by projecting STGNN-generated EEG node embeddings into the semantic space of KG. Semantic queries are then executed via FAISS-based similarity search over knowledge triplets to retrieve relation evidence. Each predicted edge is assigned a confidence score based on retrieved similarity, relation type, and source reliability, enabling us to prune medically implausible edges from the originally predicted graph. Extensive experiments on TUSZ and CHB-MIT demonstrate that NeuroGRIP not only improves seizure detection accuracy but also enhances interpretability by grounding each prediction in clinically validated knowledge. This work provides the first unified framework that tightly couples brain dynamics with external medical expertise via retrieval-augmented reasoning, paving the way for knowledge-enhanced, explainable clinical diagnosis. The code is available at: https://github.com/LincanLi-X/NeuroGRIP.
• Abstract（参考訳）: 脳波信号からの青信号の診断は、複雑な神経力学とチャネル間モデリングにおける急激な接続のため、非常に難しい課題である。 空間時空間グラフニューラルネットワーク(STGNN)は脳波による脳波ネットワーク表現学習を先進的に進めているが、結果として得られるグラフ構造は、その純粋にデータ駆動性のため、低い臨床的妥当性と限定的な解釈性に悩まされる。 この目的のために,脳波グラフの校正に外的医療知識を取り入れた検索強化グラフ精錬フレームワークであるNeuroGRIPを導入する。 まず,権威的臨床ガイドラインに基づく大規模・ドメイン固有知識ベースを構築した。 大規模言語モデルを活用することで、構造化された生物医学的実体と関係を抽出し、テキスト知識グラフ(KG)を作成し、臨床前の外部知識源として機能する。 本フレームワークは,STGNN生成したEEGノードをKGの意味空間に投影することで,アライメント対応クエリ構築を行う。 意味的なクエリは、FAISSベースの知識三重項に関する類似性検索を通じて実行され、関係証拠を検索する。 各エッジは、検索された類似性、関係型、およびソース信頼性に基づいて信頼スコアが割り当てられ、当初予測されたグラフから医学的に予測不可能なエッジを抽出することができる。 TUSZとCHB-MITの広範囲にわたる実験により、NeuroGRIPは発作検出精度を向上するだけでなく、臨床的に検証された知識において各予測を根拠にすることで解釈可能性を高めることが示されている。 この研究は、知識に富んだ説明可能な臨床診断の道を開くことで、脳のダイナミクスと外部の医学的専門知識とを緊密に結合する最初の統合されたフレームワークを提供する。 コードは、https://github.com/LincanLi-X/NeuroGRIPで入手できる。

関連論文リスト

• engGNN: A Dual-Graph Neural Network for Omics-Based Disease Classification and Feature Selection [5.54797146496798]
  グラフニューラルネットワーク(GNN)は、機能関係をグラフとしてエンコーディングすることで、事前知識を統合するための有望な手段を提供する。 本稿では,外部生物ネットワークとデータ駆動型生成グラフを併用したデュアルグラフフレームワークである,外部で生成したグラフニューラルネットワーク(engGNN)を提案する。 engGNNは一貫して最先端のベースラインを上回っている。
  論文  参考訳（メタデータ） (2026-01-20T23:18:56Z)
• Interpretable Neuropsychiatric Diagnosis via Concept-Guided Graph Neural Networks [56.75602443936853]
  青少年の5人に1人は、不安、うつ病、行動障害などの精神状態または行動の健康状態と診断されている。 従来の研究では、障害予測にグラフニューラルネットワーク(GNN)アプローチを使用していたが、ブラックボックスのままであり、信頼性と臨床翻訳を制限している。 本研究では,解釈可能な機能接続の概念を符号化する概念に基づく診断フレームワークを提案する。 我々の設計は臨床的に意味のある接続パターンを通じて予測を保証し、解釈可能性と強い予測性能の両方を可能にする。
  論文  参考訳（メタデータ） (2025-10-02T19:38:46Z)
• Parkinson's Disease Detection from Resting State EEG using Multi-Head Graph Structure Learning with Gradient Weighted Graph Attention Explanations [9.544065991313062]
  静止状態脳波を用いたパーキンソン病(PD)検出のための新しいグラフニューラルネットワーク(GNN)手法を提案する。 コントラスト学習を用いた構造化グローバル畳み込みを用いて,データ制限による複雑な特徴をモデル化する。 UCサンディエゴ・パーキンソン病脳波データセットを用いて本手法を開発,評価し,主観的離脱検診において69.40%の精度で検出した。
  論文  参考訳（メタデータ） (2024-08-01T20:54:33Z)
• Dynamic GNNs for Precise Seizure Detection and Classification from EEG Data [6.401370088497331]
  本稿では,脳波の位置と対応する脳領域のセマンティクスの相互作用を捉える動的グラフニューラルネットワーク(GNN)フレームワークであるNeuroGNNを紹介する。 実世界のデータを用いた実験により、NeuroGNNは既存の最先端モデルよりも大幅に優れていることが示された。
  論文  参考訳（メタデータ） (2024-05-08T21:36:49Z)
• Adaptive Gated Graph Convolutional Network for Explainable Diagnosis of Alzheimer's Disease using EEG Data [9.601125513491835]
  本稿では,適応ゲートグラフ畳み込みネットワーク(AGGCN)を提案する。 AGGCNは、畳み込みに基づくノード特徴増強と相関に基づくパワースペクトル密度類似度の尺度を組み合わせることで、グラフ構造を適応的に学習する。
  論文  参考訳（メタデータ） (2023-04-12T14:13:09Z)
• Dynamic Graph Enhanced Contrastive Learning for Chest X-ray Report Generation [92.73584302508907]
  コントラスト学習を用いた医療レポート作成を支援するために,動的構造とノードを持つ知識グラフを提案する。 詳しくは、グラフの基本構造は一般知識から事前構築される。 各イメージ機能は、レポート生成のためにデコーダモジュールに入力する前に、独自の更新グラフに統合される。
  論文  参考訳（メタデータ） (2023-03-18T03:53:43Z)
• DBGDGM: Dynamic Brain Graph Deep Generative Model [63.23390833353625]
  グラフは機能的磁気画像(fMRI)データから得られる脳活動の自然な表現である。 機能的接続ネットワーク(FCN)として知られる解剖学的脳領域のクラスターは、脳の機能や機能不全を理解するのに有用なバイオマーカーとなる時間的関係を符号化することが知られている。 しかし、以前の研究は脳の時間的ダイナミクスを無視し、静的グラフに焦点を当てていた。 本稿では,脳の領域を時間的に進化するコミュニティにクラスタリングし,非教師なしノードの動的埋め込みを学習する動的脳グラフ深部生成モデル(DBGDGM)を提案する。
  論文  参考訳（メタデータ） (2023-01-26T20:45:30Z)
• Spatial Temporal Graph Convolution with Graph Structure Self-learning for Early MCI Detection [9.11430195887347]
  本稿では,EMCI検出のための新しいグラフ構造自己学習機構を備えた空間時空間グラフ畳み込みネットワークを提案する。 The Alzheimer's Disease Neuroimaging Initiative databaseの結果は、我々の手法が最先端のアプローチより優れていることを示している。
  論文  参考訳（メタデータ） (2022-11-11T12:29:00Z)
• DynDepNet: Learning Time-Varying Dependency Structures from fMRI Data via Dynamic Graph Structure Learning [58.94034282469377]
  下流予測タスクによって誘導されるfMRIデータの最適時間変化依存性構造を学習する新しい手法であるDynDepNetを提案する。 実世界のfMRIデータセットの実験は、性別分類のタスクにおいて、DynDepNetが最先端の結果を達成することを実証している。
  論文  参考訳（メタデータ） (2022-09-27T16:32:11Z)
• Cross-modal Clinical Graph Transformer for Ophthalmic Report Generation [116.87918100031153]
  眼科報告生成(ORG)のためのクロスモーダルな臨床グラフ変換器(CGT)を提案する。 CGTは、デコード手順を駆動する事前知識として、臨床関係を視覚特徴に注入する。 大規模FFA-IRベンチマークの実験は、提案したCGTが従来のベンチマーク手法より優れていることを示した。
  論文  参考訳（メタデータ） (2022-06-04T13:16:30Z)
• Uncovering the structure of clinical EEG signals with self-supervised learning [64.4754948595556]
  教師付き学習パラダイムは、しばしば利用可能なラベル付きデータの量によって制限される。 この現象は脳波(EEG)などの臨床関連データに特に問題となる。 ラベルのないデータから情報を抽出することで、ディープニューラルネットワークとの競合性能に到達することができるかもしれない。
  論文  参考訳（メタデータ） (2020-07-31T14:34:47Z)

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。