論文の概要: Contrastive Representation Learning of Longitudinal Disease Trajectories on Temporal Graphs

• arxiv url: http://arxiv.org/abs/2607.25609v1
• Date: Tue, 28 Jul 2026 11:38:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-29 20:50:42.817964
• Title: Contrastive Representation Learning of Longitudinal Disease Trajectories on Temporal Graphs
• Title（参考訳）: 時間グラフを用いた縦断性疾患軌跡のコントラスト表現学習
• Abstract要約: 本稿では,多変量疾患軌跡を時間グラフとしてモデル化したコントラスト表現学習フレームワークを提案する。 ノードは時間とともに患者の観察を表現し、エッジは時間的連続性と軌道間の構造的類似性をキャプチャする。 結果として得られた表現は、類似の疾患進行パターンを持つ患者の堅牢なクラスタリングを可能にし、縦断データで潜伏構造を明らかにする。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Understanding disease trajectories from longitudinal clinical data remains challenging due to complex temporal dynamics and heterogeneous patient cohorts. Here, we present a contrastive representation learning framework that models multivariate disease trajectories as temporal graphs and learns representations using contrastive graph neural networks. Nodes represent patient observations over time, while edges capture temporal continuity and structural similarity between trajectories. Structure-aware random walks guide contrastive learning to generate embeddings that preserve temporal context and trajectory topology. The resulting representations enable robust clustering of patients with similar disease progression patterns and reveal latent structure in longitudinal data.
• Abstract（参考訳）: 長期臨床データから疾患の軌跡を理解することは、複雑な時間的ダイナミクスと異種患者コホートにより困難である。 本稿では,多変量疾患軌跡を時間グラフとしてモデル化し,コントラストグラフニューラルネットワークを用いて表現を学習するコントラスト表現学習フレームワークを提案する。 ノードは時間とともに患者の観察を表現し、エッジは時間的連続性と軌道間の構造的類似性をキャプチャする。 構造を意識したランダムウォークは、コントラスト学習をガイドし、時間的文脈と軌道トポロジーを保存する埋め込みを生成する。 結果として得られた表現は、類似の疾患進行パターンを持つ患者の堅牢なクラスタリングを可能にし、縦断データで潜伏構造を明らかにする。

関連論文リスト

• From Trajectories to Phenotypes: Disease Progression as Structural Priors for Multi-organ Imaging Representation Learning [22.146397986514604]
  本稿では, 臓器関連IDPエンコーダに構造知識を変換するトラジェクティブ・アウェア・フレームワークを提案する。 英国バイオバンクのコホートでは159の疾患が発生し、トラジェクトリ・アウェア・プレトレーニングにより、識別と発症予測の両方が一貫して改善される。 以上の結果から, 人口規模で生成する疾患モデルが, データ制限画像モダリティの構造的先行要因となる可能性が示唆された。
  論文  参考訳（メタデータ） (2026-05-12T11:10:26Z)
• Do Pathology Foundation Models Encode Disease Progression? A Pseudotime Analysis of Visual Representations [0.0]
  視覚基礎モデルは、独立した静的観測から連続的なプロセスを表現することを暗黙的に学習できることを示します。 このフレームワークは、静的スナップショットを通じて継続的プロセスが観察される他のドメインに適用できる。
  論文  参考訳（メタデータ） (2026-01-29T06:50:43Z)
• Conditional Neural ODE for Longitudinal Parkinson's Disease Progression Forecasting [51.906871559732245]
  パーキンソン病(PD)は異質で進化する脳形態計測パターンを示す。 これらの縦方向の軌跡をモデル化することで、機械的な洞察、治療の発展、そして個別化された「デジタルツイン」予測が可能になる。 連続的な個人化されたPD進行予測のための新しいフレームワークであるCNODEを提案する。
  論文  参考訳（メタデータ） (2025-11-06T20:16:33Z)
• Chain-of-Influence: Tracing Interdependencies Across Time and Features in Clinical Predictive Modelings [9.057609869168957]
  カオス・オブ・インフルエンス(Chain-of-Influence, CoI)は、機能相互作用の明示的な時間展開グラフを構築する、解釈可能なディープラーニングフレームワークである。 MIMIC-IVデータセットと民間慢性腎臓病コホートを用いて, 死亡率と疾患進行に関するCoIの評価を行った。
  論文  参考訳（メタデータ） (2025-10-10T22:20:51Z)
• CTPD: Cross-Modal Temporal Pattern Discovery for Enhanced Multimodal Electronic Health Records Analysis [50.56875995511431]
  マルチモーダルEHRデータから有意な時間的パターンを効率的に抽出するために,CTPD(Cross-Modal Temporal Pattern Discovery)フレームワークを導入する。 提案手法では,時間的セマンティックな埋め込みを生成するためにスロットアテンションを用いて改良された時間的パターン表現を提案する。
  論文  参考訳（メタデータ） (2024-11-01T15:54:07Z)
• T-Phenotype: Discovering Phenotypes of Predictive Temporal Patterns in Disease Progression [82.85825388788567]
  我々は、ラベル付き時系列データから予測時相パターンの表現型を発見するために、新しい時間的クラスタリング手法T-Phenotypeを開発した。 T-フェノタイプは, 評価ベースラインのすべてに対して, 最良の表現型発見性能を示す。
  論文  参考訳（メタデータ） (2023-02-24T13:30:35Z)
• Learning the Evolutionary and Multi-scale Graph Structure for Multivariate Time Series Forecasting [50.901984244738806]
  時系列の進化的・マルチスケール相互作用をモデル化する方法を示す。 特に、まず、拡張畳み込みと協調して、スケール固有の相関を捉える階層グラフ構造を提供する。 最終的な予測を得るために上記のコンポーネントを統合するために、統合ニューラルネットワークが提供される。
  論文  参考訳（メタデータ） (2022-06-28T08:11:12Z)
• Temporal Phenotyping using Deep Predictive Clustering of Disease Progression [97.88605060346455]
  我々は、時系列データをクラスタリングするためのディープラーニングアプローチを開発し、各クラスタは、同様の将来的な結果を共有する患者から構成される。 2つの実世界のデータセットに対する実験により、我々のモデルは最先端のベンチマークよりも優れたクラスタリング性能が得られることが示された。
  論文  参考訳（メタデータ） (2020-06-15T20:48:43Z)
• Learning Dynamic and Personalized Comorbidity Networks from Event Data using Deep Diffusion Processes [102.02672176520382]
  コンコルビンド病は、個人によって異なる複雑な時間的パターンを通じて発生し進行する。 電子的な健康記録では、患者が持つ異なる疾患を観察できるが、それぞれの共死状態の時間的関係を推測できるだけである。 我々は「ダイナミック・コオービディティ・ネットワーク」をモデル化するための深層拡散プロセスを開発する。
  論文  参考訳（メタデータ） (2020-01-08T15:47:08Z)

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。