論文の概要: SAGE: Stability-Aware Graph-Based Ensemble Feature Selection for Explainable Postpartum Depression Risk Prediction

• arxiv url: http://arxiv.org/abs/2608.22809v1
• Date: Mon, 24 Aug 2026 05:11:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-25 13:29:43.898307
• Title: SAGE: Stability-Aware Graph-Based Ensemble Feature Selection for Explainable Postpartum Depression Risk Prediction
• Title（参考訳）: SAGE: 説明可能な産後抑うつリスク予測のための安定なグラフベースのアンサンブル特徴選択
• Abstract要約: 産後うつ病(PPD)は、特に低所得国や中所得国において、母子保健に大きな負担をかける。 我々は、局所的な説明可能なAIと遺伝的に人工ニューラルネットワーク(GA-ANN)の両方を組み込んだ、安定なグラフベースのアンサンブル特徴選択システムであるSAGEを提案する。 SAGEは、766人の産後女性の一次コホートを用いて、情報理論の関連性、PCAに基づく構造、およびグラフに基づく相互作用をブートストラップ安定性重み付けと組み合わせ、堅牢で非冗長な予測因子を同定する。
• 参考スコア（独自算出の注目度）: 0.4908879620102718
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Postpartum depression (PPD) poses a major burden on maternal and child health, especially in low- and middle-income countries where prevalence exceeds 19%. Despite advancements in machine learning for PPD prediction, current approaches are limited by opaque global explanations that lack clinical usefulness at the patient level, unstable feature selection, and poor generalization under class imbalance. We propose SAGE, a Stability-Aware Graph-Based Ensemble feature selection system that incorporates both local explainable AI and a genetically optimized artificial neural network (GA-ANN). Using a primary cohort of 766 postpartum women, SAGE combines information-theoretic relevance, PCA-based structure, and graph-based interactions with bootstrap stability weighting to identify robust and non-redundant predictors. The GA-ANN architecture, optimized using a genetic algorithm and enhanced with GAN based oversampling, achieved strong performance with 87.96% accuracy, 86.32% F1 score, and 0.88 AUC using only 16 features, outperforming baseline and other feature selection methods. Psychological and socioeconomic factors such as EPDS score, PHQ-9 score, feelings about motherhood, and abuse history are the main predictors, while demographic factors have less influence. The LIME-based explanations allow instance-based insight into selected features from the graph, enabling personalized risk assessment. The findings make SAGE a scalable, interpretable, and clinical tool for early identification of PPD in health-care limited resources.
• Abstract（参考訳）: 産後うつ病(PPD)は、特に19%を超える低所得国や中所得国において、母子保健に大きな負担を与える。 PPD予測のための機械学習の進歩にもかかわらず、現在のアプローチは、患者レベルでの臨床的有用性、不安定な特徴の選択、クラス不均衡下での一般化の欠如といった不透明なグローバルな説明によって制限されている。 本稿では、局所的な説明可能なAIと遺伝的に最適化された人工ニューラルネットワーク(GA-ANN)の両方を組み込んだ、安定なグラフベースのアンサンブル機能選択システムであるSAGEを提案する。 SAGEは、766人の産後女性の一次コホートを用いて、情報理論の関連性、PCAに基づく構造、およびグラフに基づく相互作用をブートストラップ安定性重み付けと組み合わせ、堅牢で非冗長な予測因子を同定する。 GA-ANNアーキテクチャは遺伝的アルゴリズムを用いて最適化され、GANベースのオーバーサンプリングによって強化され、87.96%の精度、86.32%のF1スコア、0.88のAUCで16の機能のみを使用し、性能が向上した。 EPDSスコア、PHQ-9スコア、母親に対する感情、虐待歴などの心理学的・社会経済的要因が主な予測因子であるが、人口統計学的要因は影響が少ない。 LIMEベースの説明は、グラフから選択した機能に対するインスタンスベースの洞察を可能にし、パーソナライズされたリスクアセスメントを可能にする。 以上の結果から,SAGEは医療・医療の限られた資源におけるPDの早期同定のための,スケーラブルで解釈可能な臨床ツールとなった。

関連論文リスト

• Explainable AI for Mental Health Prediction in Drug-Affected Populations with Dragonfly Algorithm and GAN Oversampling [0.526647163965749]
  本研究では, 薬物依存者の多次元データセットを用いて, メンタルヘルス予測の詳細な機械学習モデルを提案する。 行動、ライフスタイル、健康要因、特に睡眠の質、身体的健康、感情的な規制は、精神的な健康を強く予測する。 この枠組みは有効なメンタルヘルス予測ツールを生成する可能性があり、早期介入を促進し、薬物依存者の治療を強化する。
  論文  参考訳（メタデータ） (2026-06-22T02:42:58Z)
• Predicting Neuromodulation Outcome for Parkinson's Disease with Generative Virtual Brain Model [95.41752463487008]
  パーキンソン病は世界中で1千万人以上に影響している。 個人間変異は経験的治療の選択を制限し、非無視的な外科的リスクとコストを増大させる。 我々は、このギャップをトレーニング済みのファインタニングフレームワークで埋めて、静止状態fMRIから直接結果を予測する。
  論文  参考訳（メタデータ） (2026-03-31T02:36:10Z)
• Explainable Machine Learning for Pediatric Dental Risk Stratification Using Socio-Demographic Determinants [0.0]
  方法: 人口レベルの小児データを用いて, 年齢, 収入と収益の比率, 人種・民族性, 性別, 医療歴などを用いて, 教師付き機械学習モデルを訓練した。 モデルは、高い確率レベルでリスクを過小評価する保守的なキャリブレーションによって、控えめな差別を達成した。
  論文  参考訳（メタデータ） (2026-01-18T13:40:41Z)
• Explainable Admission-Level Predictive Modeling for Prolonged Hospital Stay in Elderly Populations: Challenges in Low- and Middle-Income Countries [65.4286079244589]
  長期滞在期間 (pLoS) は, 院内感染のリスクに関連する重要な要因である。 入院レベルの患者と病院の診療データを用いて, pLosの予測モデルを開発し, 解説する。
  論文  参考訳（メタデータ） (2026-01-07T23:35:24Z)
• Beyond Traditional Diagnostics: Transforming Patient-Side Information into Predictive Insights with Knowledge Graphs and Prototypes [55.310195121276074]
  本稿では,病気を予測するための知識グラフ,プロトタイプ認識,解釈可能なフレームワークを提案する。 構造化された信頼された医療知識を統合された疾患知識グラフに統合し、臨床的に意味のある疾患のプロトタイプを構築し、予測精度を高めるために対照的な学習を利用する。 臨床的に有効な説明を提供し、患者の物語と密接に一致し、患者中心のヘルスケアデリバリーの実践的価値を強調している。
  論文  参考訳（メタデータ） (2025-12-09T05:37:54Z)
• Interpretable Machine Learning for Cognitive Aging: Handling Missing Data and Uncovering Social Determinant [28.20784930277189]
  アルツハイマー病(AD)の早期発見は神経変性効果が不可逆的であるため重要である。 NIH NIAが支援するPrePARE Challenge Phase 2データセットを用いて,健康の社会的要因から認知能力を予測する。
  論文  参考訳（メタデータ） (2025-10-13T03:04:10Z)
• A Copula Based Supervised Filter for Feature Selection in Diabetes Risk Prediction Using Machine Learning [0.0]
  我々は,Gumbel copula上尾依存性係数(lambda_U$)を用いて特徴量をランク付けする計算効率の高い教師付きフィルタを提案する。 2つの糖尿病データセット上の4つの分類器で、Mutual Information、mRMR、ReliefF、および$L_1$ Elastic Netを比較した。 上肢依存によるコプラに基づく特徴選択は、公衆衛生・臨床医療におけるリスクモデル構築のための強力で効率的かつ解釈可能なアプローチである。
  論文  参考訳（メタデータ） (2025-05-28T16:34:58Z)
• Evaluating Echo State Network for Parkinson's Disease Prediction using Voice Features [1.2289361708127877]
  本研究の目的は,偽陰性の最小化と高精度化を両立できる診断モデルを開発することである。 Echo State Networks (ESN)、Random Forest、k-nearest Neighbors、Support Vector、Extreme Gradient Boosting、Decision Treeなど、さまざまな機械学習手法が採用され、徹底的に評価されている。 ESNは83%の症例で8%未満の偽陰性率を維持している。
  論文  参考訳（メタデータ） (2024-01-28T14:39:43Z)
• Predicting the Travel Distance of Patients to Access Healthcare using Deep Neural Networks [12.155001613499625]
  本研究では,遠隔医療における患者選択の複雑な決定をモデル化するためのディープニューラルネットワークアプローチを提案する。 患者の移動距離を予測するために,CNNを用いたフレームワークの有効性を実証した。
  論文  参考訳（メタデータ） (2021-12-07T07:34:15Z)
• 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)
• UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced Data [81.00385374948125]
  我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。 UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。 非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。 UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
  論文  参考訳（メタデータ） (2020-10-22T02:28:11Z)
• Hemogram Data as a Tool for Decision-making in COVID-19 Management: Applications to Resource Scarcity Scenarios [62.997667081978825]
  新型コロナウイルス(COVID-19)のパンデミックは世界中の緊急対応システムに挑戦している。 本研究は, 症状患者の血液検査データから得られた機械学習モデルについて述べる。 提案されたモデルでは、新型コロナウイルスqRT-PCRの結果を、高い精度、感度、特異性で症状のある個人に予測することができる。
  論文  参考訳（メタデータ） (2020-05-10T01:45:03Z)

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。