論文の概要: GraphBEAT: Graph-based Bucketized Event Aggregation Over Time for Early Risk Stratification of Gastrointestinal Cancers

• arxiv url: http://arxiv.org/abs/2610.22014v1
• Date: Thu, 15 Oct 2026 14:55:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-17 06:09:33.135694
• Title: GraphBEAT: Graph-based Bucketized Event Aggregation Over Time for Early Risk Stratification of Gastrointestinal Cancers
• Title（参考訳）: GraphBEAT : 早期胃癌の危険層形成に要する時間に関するグラフベースバッチ化イベントアグリゲーション
• Abstract要約: GraphBEATは、臨床イベントをタイムバケットにグループ化する、時間グラフ表現学習フレームワークである。 観察された特徴を患者特異的で時間的指向のグラフに変換して、消化器癌に対する早期のリスク層化を可能にする。 GraphBEATは膵癌,肝臓癌,腸管癌を予知するために,多地点の経時的診断基準および臨床検査に基づいて訓練,評価を行った。
• 参考スコア（独自算出の注目度）: 4.778638716590223
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Longitudinal electronic health records (EHRs) contain complementary diagnostic and laboratory information about patient health. However, irregularity, sparsity, heterogeneity, and incompleteness in documentation complicate EHR modeling. To address the problem, we introduce GraphBEAT (Graph-based Bucketized Event Aggregation over Time), a temporal graph representation learning framework that groups clinical events into time buckets and transforms observed features into patient-specific, temporally directed graphs to enable early risk stratification for gastrointestinal cancers. Each node in an EHR graph encodes feature identity, observed value, and temporal position of clinical events. A context-aware, time-decay message-passing mechanism models transitions between successive buckets, followed by multi-head attention pooling to generate patient-level representations. GraphBEAT was trained and evaluated on multi-site longitudinal diagnosis codes and laboratory tests to predict pancreatic, liver, and intestinal cancer at 12-, 24-, and 36-month diagnostic lead times. In all experimental setups, GraphBEAT consistently outperformed baseline graph neural networks (GraphSAGE, GAT, and GCN) and sequence modeling approaches (Transformer and long short-term memory [LSTM]). GraphBEAT also required over 250x fewer floating-point operations per patient and over 20x fewer parameters than the Transformer and LSTM baselines. These results support GraphBEAT as an accurate and computationally efficient approach for cancer risk stratification from sparse, heterogeneous longitudinal health records.
• Abstract（参考訳）: 経時的電子健康記録(EHR)には、患者の健康に関する相補的な診断と実験室の情報が含まれている。 しかし、ドキュメントにおける不規則性、疎性、不均一性、不完全性は、EHRモデリングを複雑にしている。 この問題を解決するために,臨床イベントをタイムバケットにグループ化し,観察された特徴を患者固有の時間指向のグラフに変換し,早期の消化管癌のリスク階層化を可能にするための時間グラフ表現学習フレームワークであるGraphBEAT(Graph-based Bucketized Event Aggregation over Time)を紹介した。 EHRグラフの各ノードは、臨床イベントの特徴的アイデンティティ、観察値、時間的位置を符号化する。 コンテキスト対応、時間遅延メッセージパッシング機構は、連続するバケット間の遷移をモデルとし、その後、患者レベルの表現を生成するマルチヘッドアテンションプーリングを行う。 GraphBEATは膵癌,肝癌,腸管癌を12カ月,24カ月,36カ月の診断リードタイムで予測するために,多地点の経時的診断基準および臨床検査を用いて訓練および評価を行った。 すべての実験的なセットアップにおいて、GraphBEATは、ベースライングラフニューラルネットワーク(GraphSAGE、GAT、GCN)とシーケンスモデリングアプローチ(TransformerとLong short-term memory(LSTM))を一貫して上回った。 GraphBEATはまた、患者当たり250倍以上の浮動小数点演算と、TransformerとLSTMベースラインの20倍以上のパラメータを必要とした。 以上の結果から, GraphBEAT は, がんリスク階層化の正確かつ効率的な手法であると考えられた。

関連論文リスト

• MIRNet: Integrating Constrained Graph-Based Reasoning with Pre-training for Diagnostic Medical Imaging [67.74482877175797]
  MIRNetは、自己教師付き事前学習と制約付きグラフベースの推論を統合する新しいフレームワークである。 TongueAtlas-4Kは,22の診断ラベルを付した4,000枚の画像からなるベンチマークである。
  論文  参考訳（メタデータ） (2025-11-13T06:30:41Z)
• Bridging Graph and State-Space Modeling for Intensive Care Unit Length of Stay Prediction [14.897714298219569]
  ICU LOS予測のための多視点グラフニューラルネットワーク(GNN)を用いた状態空間シーケンスモデリングを統一した新しいニューラルネットワークであるS$2$G-Netを提案する。 大規模なMIMIC-IVコホートデータセットの実験では、S$2$G-Netはシーケンスモデルより一貫して優れていた。
  論文  参考訳（メタデータ） (2025-08-24T23:32:25Z)
• 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)
• DynaGraph: Interpretable Multi-Label Prediction from EHRs via Dynamic Graph Learning and Contrastive Augmentation [5.196633071421455]
  DynaGraphは、エンドツーエンドの解釈可能なコントラストグラフモデルである。 実世界の4つの臨床データセットでモデルを検証した。
  論文  参考訳（メタデータ） (2025-03-28T09:13:30Z)
• 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)
• Graph data modelling for outcome prediction in oropharyngeal cancer patients [38.37247384790338]
  グラフニューラルネットワーク(GNN)は、疾患の分類と予後予測のタスクにおいて、医療分野でますます人気が高まっている。 口腔咽頭癌(OPC)患者の2次予後予測のためのインダクティブ・ラーニング・セットアップで検討した患者ハイパーグラフ・ネットワーク(PHGN)を提案する。
  論文  参考訳（メタデータ） (2023-10-04T16:09:35Z)
• Dynamic Graph Enhanced Contrastive Learning for Chest X-ray Report Generation [92.73584302508907]
  コントラスト学習を用いた医療レポート作成を支援するために,動的構造とノードを持つ知識グラフを提案する。 詳しくは、グラフの基本構造は一般知識から事前構築される。 各イメージ機能は、レポート生成のためにデコーダモジュールに入力する前に、独自の更新グラフに統合される。
  論文  参考訳（メタデータ） (2023-03-18T03:53:43Z)
• Generalizing electrocardiogram delineation: training convolutional neural networks with synthetic data augmentation [63.51064808536065]
  ECGのデライン化のための既存のデータベースは小さく、サイズやそれらが表す病態の配列に不足している。 まず、原データベースから抽出した基本セグメントのプールを与えられたECGトレースを確率的に合成し、その整合性のある合成トレースに配置するための一連のルールを考案した。 第二に、2つの新しいセグメンテーションに基づく損失関数が開発され、これは、正確な数の独立構造の予測を強制し、サンプル数の削減に焦点をあてて、より密接なセグメンテーション境界を創出することを目的としている。
  論文  参考訳（メタデータ） (2021-11-25T10:11:41Z)
• Heterogeneous Similarity Graph Neural Network on Electronic Health Records [74.66674469510251]
  非均質な類似度グラフニューラルネットワーク(HSGNN)を提案し、新しい異種GNNでEHRを分析します。 フレームワークは2つの部分から構成される: 1つは前処理方式で、もう1つはエンドツーエンドのGNNである。 GNNは全ての同質グラフを入力として取り、それら全てを1つのグラフに融合して予測する。
  論文  参考訳（メタデータ） (2021-01-17T23:14:29Z)
• 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。