論文の概要: DIGOM: Disentangled Interaction Graphs for Outcome prediction in Multimodal healthcare

• arxiv url: http://arxiv.org/abs/2610.32451v1
• Date: Fri, 23 Oct 2026 10:17:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 01:38:06.492033
• Title: DIGOM: Disentangled Interaction Graphs for Outcome prediction in Multimodal healthcare
• Title（参考訳）: DIGOM:マルチモーダル医療におけるアウトカム予測のためのアンタングル相互作用グラフ
• Abstract要約: DIGOMはグラフベースのフレームワークで、3つの相補的な相互作用タイプを共同でモデル化する。 分離されたビューを持つスパース多重グラフを学習し、それぞれが患者間のモダリティのペア間の相互作用を符号化する。 既存のマルチインタラクションアプローチよりも少ないコネクションを使用しながら、5つのタスクで最高のAUROCを実現している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Multimodal healthcare data contain relational information that extends beyond individual patient observations. Effective clinical outcome prediction therefore requires not only integrating information from multiple modalities, but also modeling the relationships between them. Standard fusion approaches do not explicitly capture these interactions, while existing graph-based approaches typically model only a subset of them. We propose DIGOM (Disentangled Interaction Graphs for Outcome prediction in Multimodal healthcare), a graph-based framework that jointly models three complementary interaction types: Intra-patient cross-modal, Cross-patient same-modal, and Cross-patient cross-modal interactions. DIGOM learns a sparse multiplex graph with disentangled views, each encoding interactions between pairs of modalities across patients. Discrete adjacency matrices with patient-adaptive connectivity are sampled via a differentiable mechanism, enabling end-to-end learning and allowing the model to select informative relationships without imposing a fixed number of neighbors. A regularization objective maintains overall graph sparsity, while message passing integrates this relational context into patient representations for outcome prediction. We evaluate DIGOM on two multimodal healthcare datasets, MIMIC-IV and NIH-TB, across five clinical prediction tasks. DIGOM achieves the highest AUROC on all five tasks while using fewer connections than existing multi-interaction approaches. Ablation studies reveal that each interaction type's contribution varies across tasks, highlighting the need to adapt relational structures per task. DIGOM also demonstrates greater robustness to missing modalities, suggesting learned relationships provide complementary information when modalities are unavailable. Post-hoc analyses further reveal task- and outcome-specific connectivity patterns in the learned graphs.
• Abstract（参考訳）: マルチモーダル医療データは、個々の患者の観察を超えて広がる関係情報を含んでいる。 したがって、効果的な臨床結果予測には、複数のモダリティからの情報の統合だけでなく、それらの関係をモデル化する必要がある。 標準的な融合アプローチはこれらの相互作用を明示的に捉えないが、既存のグラフベースのアプローチは通常、それらのサブセットのみをモデル化する。 マルチモーダル医療におけるアウトカム予測のためのDIGOM(Disentangled Interaction Graphs for Outcome Prediction in Multimodalcare)を提案する。 DIGOMは、歪んだビューを持つスパース多重グラフを学習し、それぞれが患者間のモダリティのペア間の相互作用を符号化する。 患者適応接続性を持つ離散的隣接行列は、識別可能なメカニズムによってサンプリングされ、エンドツーエンドの学習を可能にし、モデルが一定の数の隣人を含まない情報的関係を選択できる。 正規化目的は全体のグラフ間隔を維持し、メッセージパッシングはこの関係コンテキストを患者表現に統合して結果予測を行う。 本研究は,MIMIC-IVとNIH-TBの2つのマルチモーダル医療データセットにおけるDIGOMを5つの臨床予測課題で評価した。 DIGOMは、既存のマルチインタラクションアプローチよりも少ないコネクションを使用しながら、5つのタスクで最高のAUROCを達成する。 アブレーション研究により、各相互作用型の寄与はタスクによって異なり、タスクごとにリレーショナル構造を適用する必要性が強調される。 DIGOMはまた、欠落したモダリティに対してより堅牢性を示し、学習された関係がモダリティが利用できない場合に相補的な情報を提供することを示唆している。 ポストホック解析により、学習グラフにおけるタスク固有の接続パターンと結果固有の接続パターンがさらに明らかにされる。

関連論文リスト

• Robust Multimodal Representation Learning in Healthcare [12.190907451083765]
  実世界の医療データセットは、一般的に複数のソースからの体系的なバイアスを含む。 本稿では,バイアスを特定し,対処するDual-Stream Feature Deorrelation Frameworkを提案する。 本手法では,因果関係から因果関係を解き放つために,因果関係のデコリレーション・フレームワークとデュアルストリームニューラルネットワークを用いる。
  論文  参考訳（メタデータ） (2026-01-29T16:27:54Z)
• Cross-Modal Alignment via Variational Copula Modelling [54.25504956780864]
  複数のモーダルから様々な情報を集約するマルチモーダル学習手法を開発することが不可欠である。 既存の方法は主に連結やクロネッカー積に依存し、モジュラリティ間の相互作用構造を単純化する。 そこで本研究では,様々なモーダルの連成分布の学習に焦点を当てた,コプラ駆動型マルチモーダル学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-11-05T05:28:28Z)
• Continually Evolved Multimodal Foundation Models for Cancer Prognosis [50.43145292874533]
  がん予後は、患者の予後と生存率を予測する重要なタスクである。 これまでの研究では、臨床ノート、医療画像、ゲノムデータなどの多様なデータモダリティを統合し、補完的な情報を活用している。 既存のアプローチには2つの大きな制限がある。まず、各病院の患者記録など、各種のトレーニングに新しく到着したデータを組み込むことに苦慮する。 第二に、ほとんどのマルチモーダル統合手法は単純化された結合やタスク固有のパイプラインに依存しており、モダリティ間の複雑な相互依存を捉えることができない。
  論文  参考訳（メタデータ） (2025-01-30T06:49:57Z)
• Multimodal Contrastive Representation Learning in Augmented Biomedical Knowledge Graphs [2.006175707670159]
  PrimeKG++はマルチモーダルデータを組み込んだ豊富な知識グラフである。 提案手法は強い一般化可能性を示し,未知のノードに対しても正確なリンク予測を可能にする。
  論文  参考訳（メタデータ） (2025-01-03T05:29:12Z)
• GTP-4o: Modality-prompted Heterogeneous Graph Learning for Omni-modal Biomedical Representation [68.63955715643974]
  Omnimodal Learning(GTP-4o)のためのモダリティプロンプト不均質グラフ 我々は、Omnimodal Learning(GTP-4o)のための革新的モダリティプロンプト不均質グラフを提案する。
  論文  参考訳（メタデータ） (2024-07-08T01:06:13Z)
• MaxCorrMGNN: A Multi-Graph Neural Network Framework for Generalized Multimodal Fusion of Medical Data for Outcome Prediction [3.2889220522843625]
  我々はMaxCorr MGNNと呼ばれる革新的な融合手法を開発し、患者内および患者間の非線形モダリティ相関をモデル化する。 次に,多層グラフにおけるタスクインフォームド推論のための汎用多層グラフニューラルネットワーク(MGNN)を初めて設計する。 我々は,本モデルを結核データセットにおける結果予測タスクとして評価し,最先端のニューラルネットワーク,グラフベース,従来の融合技術より一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2023-07-13T23:52:41Z)
• Multimodal Learning Without Labeled Multimodal Data: Guarantees and Applications [90.6849884683226]
  ラベル付き単調データのみを用いた半教師付き環境における相互作用定量化の課題について検討する。 相互作用の正確な情報理論的定義を用いて、我々の重要な貢献は下界と上界の導出である。 本稿では、これらの理論結果を用いてマルチモーダルモデルの性能を推定し、データ収集をガイドし、様々なタスクに対して適切なマルチモーダルモデルを選択する方法について述べる。
  論文  参考訳（メタデータ） (2023-06-07T15:44:53Z)
• MIMO: Mutual Integration of Patient Journey and Medical Ontology for Healthcare Representation Learning [49.57261599776167]
  本稿では、医療表現学習と予測分析のための、エンドツーエンドの堅牢なトランスフォーマーベースのソリューション、患者旅行の相互統合、医療オントロジー(MIMO)を提案する。
  論文  参考訳（メタデータ） (2021-07-20T07:04:52Z)
• Multi-modal Graph Learning for Disease Prediction [35.4310911850558]
  病気予測のためのエンドツーエンドのマルチモーダルグラフ学習フレームワーク(MMGL)を提案する。 隣接行列を既存の手法として手動で定義する代わりに、潜在グラフ構造を適応グラフ学習の新しい方法によって捉えることができる。
  論文  参考訳（メタデータ） (2021-07-01T03:59:22Z)

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。