論文の概要: GLR-MM: Graph-Based Global-Local Reconstruction for Robust Multimodal Chest X-ray and EHR Representation Learning under Missing Modalities

• arxiv url: http://arxiv.org/abs/2609.23876v1
• Date: Sun, 20 Sep 2026 21:20:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-22 20:29:01.011549
• Title: GLR-MM: Graph-Based Global-Local Reconstruction for Robust Multimodal Chest X-ray and EHR Representation Learning under Missing Modalities
• Title（参考訳）: GLR-MM:ロバストなマルチモーダル胸部X線とEHR表現学習のためのグラフベースグローバルローカル再構成
• Abstract要約: ICU早期死亡予測のためのグラフベースグローバルローカル再構築フレームワークを提案する。 約9,620MIMIC由来のICUでは,共有決定性マスクを用いて10%,30%,50%のランダムなモダリティの欠如を評価した。 これらの結果から,入力が極めて不完全である場合,グラフ誘導再構成が最も有用であることが示唆された。
• 参考スコア（独自算出の注目度）: 0.09558392439655013
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Clinical multimodal models must often predict before all chest X-ray (CXR) and electronic health record (EHR) inputs are available. Existing approaches align observed representations, model missingness, or reconstruct across modalities, but do not jointly exploit within-patient and clinically similar inter-patient evidence. We propose GLR-MM, a Graph-Based Global-Local Reconstruction framework for early ICU mortality prediction. It maps five CXR-EHR modalities to a shared space, reconstructs missing embeddings through complementary local cross-modal and global graph-attention branches, adaptively fuses their estimates, and optimizes class-balanced prediction, reconstruction, and contrastive objectives. On 9,620 MIMIC-derived ICU stays, we evaluate 10%, 30%, and 50% random modality missingness with shared deterministic masks. MUSE performs better under mild and moderate missingness, whereas GLR-MM achieves higher AUROC and AUPRC at 50% by 0.0088 and 0.0249, respectively. These results indicate that graph-guided reconstruction is most useful when inputs are severely incomplete.
• Abstract（参考訳）: 臨床マルチモーダルモデルは、胸部X線(CXR)と電子健康記録(EHR)の入力が利用可能になる前に、しばしば予測しなければならない。 既存のアプローチは、観察された表現、モデルの欠如、あるいはモダリティをまたいで再構築するが、患者内部および臨床的に類似した患者間証拠を共同で活用しない。 早期ICU死亡予測のためのグラフベースグローバルローカル再構築フレームワークであるGLR-MMを提案する。 5つのCXR-EHRモダリティを共有空間にマッピングし、補完的な局所的なクロスモーダルおよびグローバルグラフアテンションのブランチを通じて、欠落した埋め込みを再構築し、それらの推定を適応的に融合させ、クラスバランスの予測、再構成、コントラスト目的を最適化する。 約9,620MIMIC由来のICUでは,共有決定性マスクを用いて10%,30%,50%のランダムなモダリティの欠如を評価した。 一方、GLR-MMはAUROCとAUPRCをそれぞれ0.0088と0.0249で50%向上させる。 これらの結果から,入力が極めて不完全である場合,グラフ誘導再構成が最も有用であることが示唆された。

関連論文リスト

• CoMNeT: A MedNeXt-CorrDiff Framework for Volumetric Brain Tumor Segmentation [1.2048008992808203]
  最新の3次元畳み込みセグメンテーションモデルと、補正拡散に基づく精細化とアンサンブルを組み合わせることで、容積グリオーマセグメンテーションが向上することを示す。 我々は,MedNeXt-CorrDiffフレームワークであるCoMNeTを提案する。 ET, TC, WT, and average Dice scores of 0.7543 +/- 0.0261, 0.6806 +/- 0.0166, 0.9049 +/- 0.0128, 0.7798 +/- 0.0184。
  論文  参考訳（メタデータ） (2026-06-13T13:51:10Z)
• A physics-informed foundation model for quantitative diffusion MRI [46.74037857287099]
  物理インフォームド・ジェネレーティブ・マイクロ構造ネットワーク(PIGMENT)は、人間の脳の微細構造に先立って普遍的な生成を学習し、被験者の計測データにゼロショットで適応し、被験者固有のマップを復元する。 PIGMENT は,10倍加速スキャンによる小脳皮質微細構造パターンと幼少期の白質発達軌跡を保存し,強い生物学的妥当性を示した。 これらの結果は、PIGMENTを物理インフォームド基礎モデルとして確立し、定量的拡散MRIを、伝統的に不安定で不均一、あるいは信頼性のある分析に制約された状態に拡張する。
  論文  参考訳（メタデータ） (2026-05-29T07:26:35Z)
• Prospective evaluation of multimodal respiratory failure prediction: Do chest X-rays improve performance beyond EHR signals? [4.250825424649631]
  我々は、構造化EHR時系列データをCXR基礎モデル表現と統合するゲート型マルチモーダルフレームワークを開発した。 ICU患者24時間以内の侵襲的機械換気予測の枠組みについて検討した。
  論文  参考訳（メタデータ） (2026-05-25T18:25:47Z)
• LoGo-MR: Screening Breast MRI for Cancer Risk Prediction by Efficient Omni-Slice Modeling [25.81781398091172]
  約5年間のリスク予測のための2.5次元局所グローバル構造モデリングフレームワークであるLoGo-MRを提案する。 提案手法は2D/3Dベースラインと既存のSOTA MIL法より優れ、1年から5年予測のAUCは0.77-0.69であり、3D CNNよりも6%向上した。
  論文  参考訳（メタデータ） (2026-04-13T11:46:50Z)
• A Systematic Benchmark of GAN Architectures for MRI-to-CT Synthesis [38.31064949197421]
  MRIからCTへの変換にはGANアーキテクチャが提案されている。 我々は,3つの解剖学的領域にわたるSynthRAD2025データセットを用いて評価した10のGANのベンチマークを示す。
  論文  参考訳（メタデータ） (2026-03-13T18:54:20Z)
• Revisiting Global Token Mixing in Task-Dependent MRI Restoration: Insights from Minimal Gated CNN Baselines [43.505945728449774]
  グローバルトークンミキシングはMRIの復元において一般的なモデル設計の選択肢となっている。 グローバルトークンミキシングは,各タスクにおいて,3つの代表的な設定で実際に有用かどうかを問う。 MRIの再生を高速化するために、最小限のアンロールゲート-CNNベースラインは、すでに非常に競争力がある。 制御された低パス劣化により、低周波k空間データがほとんど保存されている超解像の場合、局所ゲートモデルは競争力を維持する。 空間的ヘテロセダスティックノイズを発音する場合には,トークン混合モデルが最も高い総合的な性能が得られる。
  論文  参考訳（メタデータ） (2026-03-02T04:57:52Z)
• Enabling Ultra-Fast Cardiovascular Imaging Across Heterogeneous Clinical Environments with a Generalist Foundation Model and Multimodal Database [64.65360708629485]
  MMCMR-427Kは、最大かつ最も包括的なマルチモーダル心血管共鳴k空間データベースである。 CardioMMは、異種高速CMRイメージングシナリオに適応可能な再構成基盤モデルである。 CardioMMは、物理インフォームドデータ一貫性と意味的文脈理解を統合して、堅牢な再構築を実現する。
  論文  参考訳（メタデータ） (2025-12-25T12:47:50Z)
• MeCaMIL: Causality-Aware Multiple Instance Learning for Fair and Interpretable Whole Slide Image Diagnosis [40.3028468133626]
  MIL(Multiple Case Learning)は、コンピュータ病理学における全スライド画像(WSI)解析の主流パラダイムとして登場した。 因果関係を意識したMILフレームワークである textbfMeCaMIL は、構造化因果グラフを通じて、階層的共同創設者を明示的にモデル化する。 MeCaMILは優れた公正性を達成する -- 人口格差の分散は、属性全体の平均で65%以上減少する。
  論文  参考訳（メタデータ） (2025-11-14T06:47:21Z)
• impuTMAE: Multi-modal Transformer with Masked Pre-training for Missing Modalities Imputation in Cancer Survival Prediction [75.43342771863837]
  我々は,効率的なマルチモーダル事前学習戦略を備えた新しいトランスフォーマーに基づくエンドツーエンドアプローチである impuTMAE を紹介する。 マスクされたパッチを再構築することで、モダリティの欠如を同時に示唆しながら、モダリティ間の相互作用とモダリティ内相互作用を学習する。 本モデルは,TGA-GBM/LGGとBraTSデータセットを用いたグリオーマ生存予測のために,異種不完全データに基づいて事前訓練を行った。
  論文  参考訳（メタデータ） (2025-08-08T10:01:16Z)

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。