疾患予測のためのマルチモーダルグラフ学習【JST・京大機械翻訳】

Zheng Shuai; Zhu Zhenfeng; Liu Zhizhe; Guo Zhenyu; Liu Yang; Yang Yuchen; Zhao Yao

プレプリント

J-GLOBAL ID：202202211337821907 整理番号：22P0302530

疾患予測のためのマルチモーダルグラフ学習【JST・京大機械翻訳】

Multi-modal Graph Learning for Disease Prediction

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (7件)： , , , , , ,
資料名：
発行年： 2022年03月11日プレプリントサーバーでの情報更新日： 2022年03月11日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

グラフの強力な表現能力から利益を得て,グラフベースのアプローチは,マルチモーダル医療データを取り扱うために広く適用され,様々な生物医学的応用において印象的な性能を達成した。疾患予測タスクのために,ほとんどの既存のグラフベースの方法は,特定のモダリティ(例えば,人口統計学的情報)に基づくグラフを手動で定義する傾向があり,次に,グラフ表現学習(GRL)によって患者表現を得るために,他のモダリティを統合した。しかし,前もって適切なグラフを構築することは,これらの方法のための単純な物質ではない。一方,モダリティ間の複雑な相関は無視される。これらの因子は,信頼できる診断のための患者の状態に関する十分な情報の提供の不十分さをもたらす。この目的のために,マルチモダリティによる疾患予測のためのエンドツーエンドマルチモーダルグラフ学習フレームワーク(MMGL)を提案した。疾患に関連したマルチモダリティーにわたる豊富な情報を効果的に利用するために,モダリティー意識表現学習を提案し,モダリティ間の相関と相補性をレバーする事によって各モダリティの特徴を統合した。さらに,グラフを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有効な方法を通して捉えた。それは,予測モデルで共同で最適化することができ,このように,サンプル間の固有接続を明らかにした。本モデルはまた,それらのデータに対する帰納的学習のシナリオにも適用可能である。2つの疾患予測タスクに関する広範囲な実験は,提案したMMGLがより好ましい性能を達成することを証明した。MMGLのコードは,url{https://github.com/SsGood/MMGL}で利用可能である。【JST・京大機械翻訳】

, , , , , , , ,
, , , , , 【Automatic Indexing@JST】

人工知能

, ,

前のページに戻る