論文の概要: PatTree: a novel approach for automated creation of multimodal, graph-based patient representations for medical classification tasks

• arxiv url: http://arxiv.org/abs/2608.02692v1
• Date: Mon, 03 Aug 2026 09:44:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-05 15:30:22.899758
• Title: PatTree: a novel approach for automated creation of multimodal, graph-based patient representations for medical classification tasks
• Title（参考訳）: PatTree: 医療分類タスクのためのマルチモーダルグラフベースの患者表現の自動作成のための新しいアプローチ
• Abstract要約: PatTreeは、実際の臨床データから得られるグラフベースの患者の表現である。 本稿では,PatTreeによる患者の分類が,最先端の分類性能に到達できることを実証する。
• 参考スコア（独自算出の注目度）: 0.13999481573773073
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Access to holistic, multimodal data improves the performance of Artificial Intelligence (AI) in medical classification tasks compared to utilizing single modalities or data sources. However, the inherent heterogeneity and complexity of clinical real-world data pose significant challenges to structured data analysis and AI application. This heterogeneity includes missing values, multiple time points, diverse modalities, and inconsistent formats and semantics. Data harmonization prior to data integration tackles this challenge but remains resource-intensive and error-prone, limiting the scalability and reproducibility of holistic, AI-driven decision support on clinical real-world data. We therefore propose PatTree, a graph-based, holistic representation of patients that can be derived from real-world clinical data through the automated structuring of multimodal clinical data. PatTree enables early-stage data integration without relying on pre-standardized inputs. While representing heterogeneous clinical data within a unified knowledge graph, PatTree preserves the semantic relationships between data elements across modalities and data sources, facilitating interoperability and machine-interpretable data access. Using a subset of the ADNI-1 cohort (n = 763), we demonstrate that classification of patients is directly feasible on PatTree reaching state-of-the-art classification performance. In the three-class classification task distinguishing Alzheimer's disease, mild cognitive impairment, and cognitively normal individuals, we achieve a balanced accuracy of 98.5% and an F$_1$ score of 0.987 on the held-out test set. Our results show that assumption-free, automated structuring of multimodal medical data can serve as a scalable foundation for clinical AI pipelines bypassing tedious data preparation and standardization.
• Abstract（参考訳）: 総合的なマルチモーダルデータへのアクセスは、単一のモダリティやデータソースを使用するよりも、医療分類タスクにおける人工知能(AI)の性能を向上させる。 しかし、臨床実世界のデータの本質的な不均一性と複雑さは、構造化データ分析とAI応用に重大な課題をもたらす。 この不均一性には、欠落した値、複数の時間点、多様なモダリティ、一貫性のないフォーマットとセマンティクスが含まれる。 データ統合前のデータ調和は、この課題に対処するが、リソース集約的でエラーを起こし、臨床現実のデータに対する総合的でAI駆動の意思決定サポートのスケーラビリティと再現性を制限している。 そこで我々は,マルチモーダルな臨床データの自動構造化を通じて実世界の臨床データから導出可能な,グラフに基づく総合的な患者表現であるPatTreeを提案する。 PatTreeは、事前の標準入力に頼ることなく、アーリーステージのデータ統合を可能にする。 PatTreeは、統一知識グラフ内で異種の臨床データを表現しながら、モダリティとデータソースをまたいだデータ要素間のセマンティックな関係を保ち、相互運用性とマシンで解釈可能なデータアクセスを容易にする。 ADNI-1コホートのサブセット(n = 763)を用いて,PatTreeによる患者の分類が最先端の分類性能に到達できることを実証した。 アルツハイマー病,軽度認知障害,認知正常な個人を区別する3段階の分類課題において,評価基準値が98.5%,F$_1$スコアが0.987であった。 以上の結果から,マルチモーダル医療データの仮定のない自動構造化は,退屈なデータ作成と標準化を回避して,臨床AIパイプラインのスケーラブルな基盤となる可能性が示唆された。

関連論文リスト

• Dementia Etiology Diagnosis via Collaborative Meta Knowledge Enhancement [81.27196033392559]
  認知症発症診断のための協調的メタ知識向上(COME)フレームワークを提案する。 COMEは、マルチセンタ取得セマンティクス、ソース識別子、モダリティインジケータを異種性を認識した埋め込みとして、スケールアップトレーニングのためにTransformerアーキテクチャに注入する。 本手法は,平均マクロ平均AUCが85.62%,最強ベースラインが4.29ポイント向上し,最先端のドメイン性能を実現する。
  論文  参考訳（メタデータ） (2026-07-24T04:26:47Z)
• A Pipeline for Generating Longitudinal Synthetic Clinical Notes Using Large Language Models [0.0]
  この研究は、臨床AIツールの開発を支援するために設計された、合成臨床ノートパイプラインとデータセットを導入している。 データセットは、構造化された患者生成、半構造化された患者旅行シミュレーション、非構造化された臨床ノート生成を組み合わせたモジュールパイプラインを使用して生成される。 本研究は,70名の総合患者を対象とし,全入院期間に20～50名の臨床ノートを添付したデータセットを作成した。
  論文  参考訳（メタデータ） (2026-06-25T11:08:40Z)
• Automated Hierarchical Graph Construction for Multi-source Electronic Health Records [17.122817545326928]
  我々は、ニューラルネットワークを用いた機関間で医療コードを整列する完全に自動化されたフレームワークであるMASHを提案する。 MASHは、事前訓練された言語モデル、共起パターン、テキスト記述、教師付きラベルからの情報を統合する。 不均一な臨床データのナビゲーションと理解を容易にする解釈可能な階層グラフを生成する。
  論文  参考訳（メタデータ） (2025-09-08T11:45:59Z)
• A Comprehensive Review of Datasets for Clinical Mental Health AI Systems [55.67299586253951]
  本稿では,AIを活用した臨床アシスタントの訓練・開発に関連する臨床精神保健データセットの総合的調査を行う。 本調査では, 縦断データの欠如, 文化・言語表現の制限, 一貫性のない収集・注釈基準, 合成データのモダリティの欠如など, 重要なギャップを明らかにした。
  論文  参考訳（メタデータ） (2025-08-13T13:42:35Z)
• TrialMatchAI: An End-to-End AI-powered Clinical Trial Recommendation System to Streamline Patient-to-Trial Matching [0.0]
  本稿では,患者間マッチングを自動化するAIを利用したレコメンデーションシステムTrialMatchAIを提案する。 微調整されたオープンソースの大規模言語モデルに基づいて構築されたTrialMatchAIは、透明性を確保し、軽量なデプロイメントフットプリントを維持する。 現実のバリデーションでは、腫瘍学患者の92%が、少なくとも1つの関連するトライアルを、トップ20のレコメンデーションで回収した。
  論文  参考訳（メタデータ） (2025-05-13T12:39:06Z)
• Leveraging Generative AI Through Prompt Engineering and Rigorous Validation to Create Comprehensive Synthetic Datasets for AI Training in Healthcare [0.0]
  GPT-4 APIは、この制限を克服するための高品質な合成データセットを生成するために使用された。 得られたデータには、医療提供者の詳細、病院部門、病棟、ベッド割り当て、患者人口統計、緊急連絡先、バイタルサイン、免疫、アレルギー、医療履歴、アポイントメント、病院訪問、検査、診断、治療計画、医療ノート、訪問ログ、退院サマリー、レファラルが含まれていた。
  論文  参考訳（メタデータ） (2025-04-29T16:37:34Z)
• Detecting Dataset Bias in Medical AI: A Generalized and Modality-Agnostic Auditing Framework [8.017827642932746]
  データセットに対する一般属性ユーティリティと検出可能性によるバイアステスト(G-AUDIT)は、モダリティに依存しないデータセット監査フレームワークである。 本手法は,患者属性を含むデータ特性とタスクレベルのアノテーションの関係について検討する。 G-AUDITは、従来の定性的手法で見過ごされる微妙な偏見をうまく識別する。
  論文  参考訳（メタデータ） (2025-03-13T02:16:48Z)
• TrialBench: Multi-Modal Artificial Intelligence-Ready Clinical Trial Datasets [54.98321887435557]
  本稿では, マルチモーダル入力特徴と臨床治験設計における8つの重要な予測課題を網羅した, 精巧にキュレートされた23個のAI対応データセットについて述べる。 データセットのユーザビリティと信頼性を確保するため、各タスクに基本的な検証方法を提供する。 このようなオープンアクセスデータセットが利用可能になることは、臨床試験設計のための高度なAIアプローチの開発を促進することを期待する。
  論文  参考訳（メタデータ） (2024-06-30T09:13:10Z)
• TREEMENT: Interpretable Patient-Trial Matching via Personalized Dynamic Tree-Based Memory Network [54.332862955411656]
  臨床試験は薬物開発に不可欠であるが、しばしば高価で非効率な患者募集に苦しむ。 近年,患者と臨床試験を自動マッチングすることで患者採用を高速化する機械学習モデルが提案されている。 本稿では,TREement という名前の動的ツリーベースメモリネットワークモデルを導入する。
  論文  参考訳（メタデータ） (2023-07-19T12:35:09Z)
• Bootstrapping Your Own Positive Sample: Contrastive Learning With Electronic Health Record Data [62.29031007761901]
  本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。 EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。 私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
  論文  参考訳（メタデータ） (2021-04-07T06:02:04Z)
• Trajectories, bifurcations and pseudotime in large clinical datasets: applications to myocardial infarction and diabetes data [94.37521840642141]
  混合データ型と欠落値を特徴とする大規模臨床データセット分析のための半教師付き方法論を提案する。 この手法は、次元の減少、データの可視化、クラスタリング、特徴の選択と、部分的に順序付けられた観測列における測地距離(擬時)の定量化のタスクを同時に扱うことのできる弾性主グラフの適用に基づいている。
  論文  参考訳（メタデータ） (2020-07-07T21:04:55Z)
• 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。