Fugu-MT 論文翻訳(概要): A Multimodal Machine Learning Framework Integrating Genomic, Epidemiological, Environmental, and Clinical Imaging Data for Accelerated Measles Detection and Transmission Inference

論文の概要: A Multimodal Machine Learning Framework Integrating Genomic, Epidemiological, Environmental, and Clinical Imaging Data for Accelerated Measles Detection and Transmission Inference

arxiv url: http://arxiv.org/abs/2610.32996v1
Date: Mon, 05 Oct 2026 00:10:34 GMT
ステータス: 翻訳完了
システム内更新日: 2026-11-02 06:06:26.122145
Title: A Multimodal Machine Learning Framework Integrating Genomic, Epidemiological, Environmental, and Clinical Imaging Data for Accelerated Measles Detection and Transmission Inference
Title（参考訳）: ゲノム・疫学・環境・臨床画像データを統合したマルチモーダル機械学習フレームワークによる麻疹検出・送受信の高速化
Abstract要約: 麻疹は2025年から2026年の間にアメリカ合衆国で流行し、4,600件以上が報告された。我々は,ゲノム配列,疫学的指標,排水監視,臨床発疹画像を統合したマルチモーダル機械学習フレームワークを開発した。
参考スコア（独自算出の注目度）: 0.3384279376065155
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Background: Measles resurged in the United States during 2025-2026, with more than 4,600 reported cases. Timely detection and transmission inference require integrated genomic, epidemiological, environmental, and clinical data. We developed a multimodal machine learning (ML) framework integrating genomic sequences, epidemiological indicators, wastewater surveillance, and clinical rash images. Methods: We evaluated a three-stage pipeline using public data. Stage 1 classified transmission linkage among 903 sequence pairs from the 2021 Ohio-Arizona-Washington outbreak using k-mer TF-IDF-SVD embeddings and pairwise single-nucleotide polymorphism (SNP) distances with leave-one-cluster-out cross-validation. Stage 2 predicted state-week outbreak risk using logistic regression and XGBoost with wastewater, mobility, and vaccination features under leave-one-year-out cross-validation. Stage 3 used BiomedCLIP ViT-B/16 embeddings and a fine-tuned multilayer perceptron for rash classification on MSLD v2.0 (755 images, 6 classes). InfoNCE contrastive learning aligned genomic and imaging embeddings. Results: Transmission-linkage classification achieved AUC 0.924 and F1 0.912 with logistic regression. Outbreak-risk prediction achieved AUC 0.707 with logistic regression across 2025-2026 leave-one-year-out folds. Contrastive alignment achieved Recall@1 = 0.985 on held-out paired data. Ablation showed genomic features dominated transmission-linkage prediction (genomic-only AUC 0.983), whereas wastewater positivity was the strongest outbreak-risk predictor (importance 0.402). Conclusions: Multimodal ML integrating genomic, epidemiological, wastewater, and clinical imaging data can support measles surveillance and transmission inference using public data. Prospective validation with paired clinical-genomic data, expanded wastewater coverage, and real-world workflows is needed before deployment.
Abstract（参考訳）: 背景: 麻疹は2025-2026年に米国で復活し、4,600件以上が報告された。タイムリーな検出と送信の推論には、ゲノム、疫学、環境、臨床データの統合が必要である。我々は,ゲノム配列,疫学的指標,排水監視,臨床発疹画像を統合したマルチモーダル機械学習(ML)フレームワークを開発した。方法: 公開データを用いた3段階パイプラインの評価を行った。ステージ1では、k-mer TF-IDF-SVD埋め込みとLeft-one-cluster-out Cross-validationを用いたSNP距離を用いて、2021年のオハイオ・アリゾナ・ウォッシントン流行の903塩基対のトランスミッションリンクを分類した。ステージ2では, 降水量, 流動性, 予防接種機能を有するXGBoostとロジスティック回帰を用いて, 週ごとのアウトブレイクリスクを予測した。ステージ3では、BiomedCLIP ViT-B/16埋め込みと、MSLD v2.0(755画像、6クラス)のラスト分類のための微調整多層パーセプトロンが使用された。 InfoNCE 対照的な学習はゲノムと画像の埋め込みに一致している。結果: 伝送リンク分類はAUC 0.924とF1 0.912をロジスティック回帰で達成した。アウトブレイクリスク予測はAUC 0.707を達成し、2025-2026回の離脱1年の折り返しでロジスティック回帰を達成した。対照的に、リコール@1 = 0.985は、保持されたペアデータに対して達成された。アブレーションはトランスミッション・リンク予測(AUC 0.983)に支配的な特徴を示し、一方排水の陽性率は最強のアウトブレイクリスク予測(0.402)であった。結論: ゲノム, 疫学, 排水, 臨床画像データを統合したマルチモーダルMLは, 公衆データを用いた麻疹の監視と伝達推定を支援することができる。 2つの臨床ゲノムデータによる前向きな検証、排水のカバー範囲の拡大、および実際のワークフローは、デプロイ前に必要である。

関連論文リスト

MedFlow: Class-Aware Multi-Scale Generation for Medical Time-Series Synthesis [61.211117385840396]
医用時系列合成のためのクラス認識フローマッチングフレームワークであるMedFlowを提案する。 MedFlowは、ベクトル量子化マルチスケールトークンーザを使用して、補完的な時間分解能で医療シーケンスを表現する。クラス条件トークン統計を直接フローマッチングプロセスに組み込むToken Marginal Guidanceは、クラス固有の領域へのステアリングを生成する。
論文参考訳（メタデータ） (2026-09-04T07:02:12Z)
Forecasting Medium-Horizon Alzheimer's Disease Progression: Residual Gap-Aware Transformers for 24-Month CDR-SB Change from ADNI Clinical and Biomarker Histories [2.3948878478085938]
CDR-SBによる24カ月間の臨床認知度評価法(CDR-SB)の変化をアンカーベースで解析した。混合効果統計参照と変圧器に基づく残差学習を組み合わせた残差認識変換器を提案する。
論文参考訳（メタデータ） (2026-05-04T23:05:28Z)
Predicting Neuromodulation Outcome for Parkinson's Disease with Generative Virtual Brain Model [95.41752463487008]
パーキンソン病は世界中で1千万人以上に影響している。個人間変異は経験的治療の選択を制限し、非無視的な外科的リスクとコストを増大させる。我々は、このギャップをトレーニング済みのファインタニングフレームワークで埋めて、静止状態fMRIから直接結果を予測する。
論文参考訳（メタデータ） (2026-03-31T02:36:10Z)
Breast Cancer Recurrence Risk Prediction Based on Multiple Instance Learning [0.0]
本研究は,HematoxylinおよびEosinstened whole-slide image(WSIs)を用いた深層学習における計算病理の可能性について検討する。 CLAM-SB, ABMIL, ConvNeXt-MIL-XGBoostの3つのマルチインスタンス学習フレームワークを, 210症例の社内データセット上で開発・比較した。 5倍のクロスバリデーションでは、改良されたCLAM-SBモデルが最も高い性能を示し、平均曲線下面積(AUC)は0.836で、分類精度は76.2%であった。
論文参考訳（メタデータ） (2025-12-21T13:46:50Z)
Machine Generalize Learning in Agent-Based Models: Going Beyond Surrogate Models for Calibration in ABMs [0.0]
キャリブレーションエージェントベースの疫病モデルは、計算的に要求されている。本稿では,流行時系列からSIRパラメータへの逆写像を学習する教師付き機械学習校正器を提案する。
論文参考訳（メタデータ） (2025-09-06T18:28:00Z)
Automated Multi-label Classification of Eleven Retinal Diseases: A Benchmark of Modern Architectures and a Meta-Ensemble on a Large Synthetic Dataset [1.996975578218265]
我々は、11の網膜疾患を分類するエンドツーエンドのディープラーニングパイプラインを開発した。合成データのみに訓練されたモデルは,複数の病態を正確に分類し,実際の臨床画像に効果的に一般化できることを示す。
論文参考訳（メタデータ） (2025-08-21T22:09:53Z)
CNN-LSTM Hybrid Model for AI-Driven Prediction of COVID-19 Severity from Spike Sequences and Clinical Data [0.0]
スパイクタンパク質配列と臨床データを用いたCNN-LSTMハイブリッドモデルを構築した。このモデルはF1スコア82.92%、ROC-AUC 0.9084、精度83.56%、リコール82.85%を達成した。
論文参考訳（メタデータ） (2025-05-29T16:20:54Z)
Using Pre-training and Interaction Modeling for ancestry-specific disease prediction in UK Biobank [69.90493129893112]
近年のゲノムワイド・アソシエーション(GWAS)研究は、複雑な形質の遺伝的基盤を明らかにしているが、非ヨーロッパ系個体の低発現を示している。そこで本研究では,マルチオミクスデータを用いて,多様な祖先間での疾患予測を改善することができるかを評価する。
論文参考訳（メタデータ） (2024-04-26T16:39:50Z)
Bootstrapping Your Own Positive Sample: Contrastive Learning With Electronic Health Record Data [62.29031007761901]
本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。 EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
論文参考訳（メタデータ） (2021-04-07T06:02:04Z)
CovidDeep: SARS-CoV-2/COVID-19 Test Based on Wearable Medical Sensors and Efficient Neural Networks [51.589769497681175]
新型コロナウイルス(SARS-CoV-2)がパンデミックを引き起こしている。 SARS-CoV-2の逆転写-ポリメラーゼ連鎖反応に基づく現在の試験体制は、試験要求に追いついていない。我々は,効率的なDNNと市販のWMSを組み合わせたCovidDeepというフレームワークを提案する。
論文参考訳（メタデータ） (2020-07-20T21:47:28Z)

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。