論文の概要: Hyperbolic Graph Representation Learning for Differential Diagnosis on Biomedical Knowledge Graphs

• arxiv url: http://arxiv.org/abs/2609.18481v1
• Date: Wed, 16 Sep 2026 11:11:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:53.767788
• Title: Hyperbolic Graph Representation Learning for Differential Diagnosis on Biomedical Knowledge Graphs
• Title（参考訳）: 生体医用知識グラフの差分診断のための双曲グラフ表現学習
• Abstract要約: 患者統合グラフ上でのMendral-disease差分診断のための双曲グラフ表現学習の予備的検討を行った。 その結果, 双曲型埋め込みは異種患者レベルグラフの診断的推論をサポートしながら, 生体内階層構造を活用できることが示唆された。
• 参考スコア（独自算出の注目度）: 11.719061064949566
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Biomedical knowledge graphs combine ontology-derived hierarchies with transversal associations among heterogeneous entities such as phenotypes, diseases, genes, proteins, and patients. This hybrid structure raises the question of whether hyperbolic embeddings, which naturally capture tree-like organization, remain useful beyond purely hierarchical graphs. We present a preliminary study of hyperbolic graph representation learning for Mendelian-disease differential diagnosis on a patient-integrated biomedical graph. Experiments on isolated ontology subgraphs show that hyperbolic models achieve strong performance in substantially lower dimensions than Euclidean baselines. We then evaluate the models on a link-prediction task that ranks candidate diseases for each patient. Results suggest that hyperbolic embeddings can exploit biomedical hierarchical structure while supporting diagnostic reasoning over heterogeneous patient-level graphs.
• Abstract（参考訳）: 生物医学知識グラフは、オントロジー由来の階層と、表現型、疾患、遺伝子、タンパク質、患者などの異質な実体間の横断的関連を結合する。 このハイブリッド構造は、木のような組織を自然に捉える双曲的埋め込みが純粋に階層的なグラフを超えて有用かどうかという問題を提起する。 患者統合生医学グラフ上でのMendral-disease差分診断のための双曲グラフ表現学習の予備的検討を行った。 孤立オントロジー部分グラフの実験は、双曲モデルがユークリッド基底線よりもかなり低い次元で強い性能を達成することを示した。 次に、各患者の候補疾患をランク付けするリンク予測タスクのモデルを評価する。 その結果, 双曲型埋め込みは異種患者レベルグラフの診断的推論をサポートしながら, 生体内階層構造を活用できることが示唆された。

関連論文リスト

• Interpretable graph-based models on multimodal biomedical data integration: A technical review and benchmarking [16.418908653117807]
  本稿は,2019年1月から2024年1月までに発行された26の研究を対象とする,多モードバイオメディカルデータに対する解釈可能なグラフベースモデルの最初の調査である。 ほとんどの対象疾患分類、特に癌は単純な類似性尺度からの静的グラフに依存し、グラフネイティブな説明器は稀である。 既存のアプローチを4つの解釈可能なファミリーに分類し、グラフイングラフ階層、知識グラフエッジ、動的トポロジー学習などのトレンドを概説し、実用的なベンチマークを行う。
  論文  参考訳（メタデータ） (2025-05-03T05:00:38Z)
• A Graph-Based Framework for Interpretable Whole Slide Image Analysis [86.37618055724441]
  我々は,全スライディング画像を生物学的にインフォームドされたグラフ表現に変換するフレームワークを開発した。 我々のアプローチは、任意の格子ではなく、自然構造を尊重する組織領域からグラフノードを構築する。 がんのステージングと生存予測の課題に強いパフォーマンスを示す。
  論文  参考訳（メタデータ） (2025-03-14T20:15:04Z)
• Heterogeneous graph attention network improves cancer multiomics integration [8.729516996214537]
  癌診断を改善するため,オミクス統合のための異種グラフアテンションネットワーク(HeteroGATomics)を導入する。 3つのがんマルチオミクスデータセットの実験は、HeteroGATomicsのがん診断における優れたパフォーマンスを示している。
  論文  参考訳（メタデータ） (2024-08-05T22:01:13Z)
• Tertiary Lymphoid Structures Generation through Graph-based Diffusion [54.37503714313661]
  本研究では,最先端のグラフベース拡散モデルを用いて生物学的に意味のある細胞グラフを生成する。 本研究では, グラフ拡散モデルを用いて, 3次リンパ構造(TLS)の分布を正確に学習できることを示す。
  論文  参考訳（メタデータ） (2023-10-10T14:37:17Z)
• A Comparative Study of Population-Graph Construction Methods and Graph Neural Networks for Brain Age Regression [48.97251676778599]
  医用画像では、人口グラフが有望な結果を示しており、主に分類作業に向けられている。 人口グラフの抽出は非自明な作業であり、グラフニューラルネットワーク(GNN)の性能に大きな影響を及ぼす可能性がある 本研究では,有意義なグラフ構築の重要性を強調し,異なる集団グラフ構築手法による実験を行う。
  論文  参考訳（メタデータ） (2023-09-26T10:30:45Z)
• Automated Coronary Arteries Labeling Via Geometric Deep Learning [13.515293812745343]
  血管造影検査から得られた3次元座標データによく適合する直感的なグラフ表現法を提案する。 その後、幾何学的深層学習を用いて対象別グラフの分析を試みる。 提案モデルでは,141例の専門的アノテートラベルを用いて,各冠動脈セグメントの表現を学習し,訓練データにおける解剖学的変動の影響を捉えた。
  論文  参考訳（メタデータ） (2022-12-01T09:31:08Z)
• Graph-in-Graph (GiG): Learning interpretable latent graphs in non-Euclidean domain for biological and healthcare applications [52.65389473899139]
  グラフは、医療領域において、非ユークリッドな非ユークリッドデータをユビキタスに表現し、分析するための強力なツールである。 近年の研究では、入力データサンプル間の関係を考慮すると、下流タスクに正の正の正則化効果があることが示されている。 タンパク質分類と脳イメージングのためのニューラルネットワークアーキテクチャであるGraph-in-Graph(GiG)を提案する。
  論文  参考訳（メタデータ） (2022-04-01T10:01:37Z)
• Self-Supervised Graph Representation Learning for Neuronal Morphologies [75.38832711445421]
  ラベルのないデータセットから3次元神経形態の低次元表現を学習するためのデータ駆動型アプローチであるGraphDINOを提案する。 2つの異なる種と複数の脳領域において、この方法では、専門家による手動の特徴に基づく分類と同程度に形態学的細胞型クラスタリングが得られることを示す。 提案手法は,大規模データセットにおける新しい形態的特徴や細胞型の発見を可能にする可能性がある。
  論文  参考訳（メタデータ） (2021-12-23T12:17:47Z)
• Implications of Topological Imbalance for Representation Learning on Biomedical Knowledge Graphs [16.566710222582618]
  知識グラフ埋め込みモデルが構造的不均衡によってどのように影響を受けるかを示す。 グラフトポロジを摂動させて、ランダムで生物学的に無意味な情報によって遺伝子ランクを人工的に変化させる方法を示す。
  論文  参考訳（メタデータ） (2021-12-13T11:20:36Z)
• Dynamic Graph Correlation Learning for Disease Diagnosis with Incomplete Labels [66.57101219176275]
  胸部X線画像上の疾患診断は,多ラベル分類の課題である。 本稿では,異なる疾患間の相互依存を調査する新たな視点を提示する病的診断グラフ畳み込みネットワーク(DD-GCN)を提案する。 本手法は,相関学習のための動的隣接行列を用いた特徴写像上のグラフを初めて構築する手法である。
  論文  参考訳（メタデータ） (2020-02-26T17:10:48Z)

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。