論文の概要: An Accurate and Interpretable Hyper Graph Neural Network for GBM Survival Prediction

• arxiv url: http://arxiv.org/abs/2609.25088v1
• Date: Sat, 19 Sep 2026 08:47:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-23 18:04:04.037699
• Title: An Accurate and Interpretable Hyper Graph Neural Network for GBM Survival Prediction
• Title（参考訳）: GBM生存予測のための高精度かつ解釈可能なハイパーグラフニューラルネットワーク
• Abstract要約: Glioblastoma multiforme (GBM) の生存予測には、正確かつ解釈可能なモデルが必要である。 両目的を同時に扱うために3つのコンポーネントを集約するマルチモーダルフレームワークを提案する。 これは、脳MRIからの解釈可能な生存予測のための、せん断ハイパーグラフの畳み込み、概念ボトルネックの監督、EST正則化を統一する最初の研究である。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Survival prediction for glioblastoma multiforme (GBM) demands models that are both accurate and interpretable, yet existing approaches treat these objectives as com- peting, where performant models sacrifice transparency, while interpretable models accept degraded predictive power. We argue that this trade-off is not inherent. Graph neural net- works offer a structural foundation for extracting interpretable, explainable representations without compromising discriminative ability. Furthermore, current methods typically rely on a single imaging modality, underutilizing the complementary information available across multi-modal MRI and clinical metadata. We propose a multi-modal framework that inte- grates three components to address both objectives simultaneously: (1) a sheaf hypergraph neural network that captures higher-order relationships among tissue patches through direc- tional, asymmetric message passing; (2) a concept bottleneck layer that compresses learned representations into clinically grounded concepts, enforcing ante-hoc interpretability; and (3) an extension sufficiency test (EST) regularizer that penalizes unfaithful explanations during training, ensuring that model explanations genuinely reflect the internal decision process. Clinical and genomic features are incorporated through gated fusion, preserving the dominant prognostic signal of molecular markers while retaining concept-level traceabil- ity. Evaluated on 593 patients from the UPenn-GBM dataset under 5-fold cross-validation, our framework achieves a concordance index of 0.643 with the lowest fold-level variance among all compared models (std = 0.015). To our knowledge, this is the first work to unify sheaf hypergraph convolution, concept bottleneck supervision, and EST regularization for interpretable survival prediction from brain MRI
• Abstract（参考訳）: Glioblastoma multiforme (GBM) の生存予測では、正確かつ解釈可能なモデルが要求されるが、既存のアプローチでは、これらの目的をコンパッティング(com- peting)として扱い、パフォーマンスモデルでは透明性を犠牲にし、解釈可能なモデルは劣化予測能力を受け入れる。 このトレードオフは固有のものではない、と私たちは主張する。 グラフニューラルネットワークは、識別能力を損なうことなく解釈可能な説明可能な表現を抽出するための構造的基盤を提供する。 さらに、現在の手法は一般的に単一の画像モダリティに依存しており、マルチモーダルMRIと臨床メタデータの相補的な情報を活用していない。 両目的を同時に扱うために3つのコンポーネントを集約するマルチモーダル・フレームワークを提案する。(1)ディレクタリアル、非対称なメッセージパッシングを通じて組織パッチ間の高次関係を捕捉するシャーフハイパーグラフ・ニューラルネットワーク、(2)学習表現を臨床基礎概念に圧縮する概念ボトルネック層、(3)トレーニング中に不信な説明をペナル化する拡張充足テスト(EST)正則化器、そしてモデル説明が内的決定過程を真に反映することを保証する。 臨床およびゲノムの特徴は、ゲート融合によって組み込まれ、概念レベルのトレーサビリシティを維持しながら、分子マーカーの優勢な予後信号を保存する。 UPenn-GBMデータセットを5倍のクロスバリデーションで593例に評価し, 比較対象モデルの中で最も低次差の0.643(std = 0.015。 われわれの知る限り、これが脳MRIからの生存予測のための棚ハイパーグラフ畳み込み、概念ボトルネック監視、EST正則化を統一する最初の研究である。

関連論文リスト

• TRACE: A Concept Bottleneck Model for Longitudinal 3D Glioblastoma Response Assessment [2.777779444362132]
  今回,RANO 2.0 をベースとした概念ボトルネックモデル TRACE を導入し,4-class glioblastoma response classification について検討した。 TRACEは、共通の3Dビジョンエンコーダで、ペア化されたベースラインとフォローアップされたマルチモーダルMRIスキャンを処理する。 臨床的に有意な腫瘍測定を根本概念として予測し、決定論的ルールを通じて下流RANO由来の概念を計算し、スキャン間隔と新しい遺伝情報をパススルー概念として組み込む。
  論文  参考訳（メタデータ） (2026-06-29T13:56:17Z)
• ConceptM$^3$oE: Concept-Guided Multimodal Mixture of Experts for Interpretable Computational Pathology [33.27476666910628]
  ConceptM$3$oEは、Interaction-Aware Mixed-of-expertsパスに直接概念形成を組み込む。 このアーキテクチャは、エビデンスをモダリティ固有の、冗長で、シナジスティックな専門家に分解し、その後、構造化された概念ボトルネックに投影する。 データ制限付きレシエーションでは、ConceptM$3$oEはデータ制限性能を改善し、小さなトレーニングサイズでマクロF1を56.41%から66.70%に向上させた。
  論文  参考訳（メタデータ） (2026-05-23T04:55:16Z)
• PRIME: Prototype-Driven Multimodal Pretraining for Cancer Prognosis with Missing Modalities [86.63247982275396]
  PRIMEは、欠落を認識したマルチモーダルな自己教師型事前トレーニングフレームワークである。 部分的に観察されたコホートから頑健で伝達可能な表現を学ぶ。 The Cancer Genome AtlasのPRIMEを32種類の癌に対してラベルフリープレトレーニングで評価した。
  論文  参考訳（メタデータ） (2026-04-05T21:14:27Z)
• Interpretable Clinical Classification with Kolgomorov-Arnold Networks [70.72819760172744]
  Kolmogorov-Arnold Networks (KAN) は、透明で象徴的な表現を通じて固有の解釈能力を提供する。 Kansは、組み込みの患者レベルの洞察、直感的な可視化、最寄りの患者の検索をサポートする。 これらの結果は、カンを、臨床医が理解し、監査し、行動できる信頼できるAIへの有望なステップと位置づけている。
  論文  参考訳（メタデータ） (2025-09-20T17:21:58Z)
• Robust and Interpretable Medical Image Classifiers via Concept Bottleneck Models [49.95603725998561]
  本稿では,自然言語の概念を用いた堅牢で解釈可能な医用画像分類器を構築するための新しいパラダイムを提案する。 具体的には、まず臨床概念をGPT-4から検索し、次に視覚言語モデルを用いて潜在画像の特徴を明示的な概念に変換する。
  論文  参考訳（メタデータ） (2023-10-04T21:57:09Z)
• LVM-Med: Learning Large-Scale Self-Supervised Vision Models for Medical Imaging via Second-order Graph Matching [59.01894976615714]
  LVM-Medは、大規模医療データセットに基づいてトレーニングされた、最初のディープネットワークファミリーである。 55の公開データセットから約13万の医療画像を収集しました。 LVM-Medは、多くの最先端の教師付き、自己監督型、基礎モデルよりも経験的に優れている。
  論文  参考訳（メタデータ） (2023-06-20T22:21:34Z)
• Rethinking Semi-Supervised Medical Image Segmentation: A Variance-Reduction Perspective [51.70661197256033]
  医用画像セグメンテーションのための階層化グループ理論を用いた半教師付きコントラスト学習フレームワークARCOを提案する。 まず、分散還元推定の概念を用いてARCOを構築することを提案し、特定の分散還元技術が画素/ボクセルレベルのセグメンテーションタスクにおいて特に有用であることを示す。 5つの2D/3D医療データセットと3つのセマンティックセグメンテーションデータセットのラベル設定が異なる8つのベンチマークで、我々のアプローチを実験的に検証する。
  論文  参考訳（メタデータ） (2023-02-03T13:50:25Z)
• Bayesian Networks for the robust and unbiased prediction of depression and its symptoms utilizing speech and multimodal data [65.28160163774274]
  我々は,抑うつ,抑うつ症状,および,胸腺で収集された音声,表情,認知ゲームデータから得られる特徴の関連性を把握するためにベイズ的枠組みを適用した。
  論文  参考訳（メタデータ） (2022-11-09T14:48:13Z)
• Learning Interpretable Microscopic Features of Tumor by Multi-task Adversarial CNNs To Improve Generalization [1.7371375427784381]
  既存のCNNモデルはブラックボックスとして機能し、医師が重要な診断機能がモデルによって使用されることを保証しない。 ここでは,マルチタスクと敵の損失を両立させる不確実性に基づく重み付けの組み合わせをエンド・ツー・エンドで学習することにより,病理的特徴に焦点を合わせることを推奨する。 AUC 0.89 (0.01) がベースラインであるAUC 0.86 (0.005) に対して最も高い値を示した。
  論文  参考訳（メタデータ） (2020-08-04T12:10:35Z)

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。