مقاله AdaMedGraph: شبکه های عصبی نمودار آدابوستینگ برای پزشکی شخصی سازی شده

چکیده

Precision medicine tailored to individual patients has gained significant attention in recent times. Machine learning techniques are now employed to process personalized data from various sources, including images, genetics, and assessments. These techniques have demonstrated good outcomes in many clinical prediction tasks. Notably, the approach of constructing graphs by linking similar patients and then applying graph neural networks (GNNs) stands out, because related information from analogous patients are aggregated and considered for prediction. However, selecting the appropriate edge feature to define patient similarity and construct the graph is challenging, given that each patient is depicted by high-dimensional features from diverse sources. Previous studies rely on human expertise to select the edge feature, which is neither scalable nor efficient in pinpointing crucial edge features for complex diseases. In this paper, we propose a novel algorithm named \ours, which can automatically select important features to construct multiple patient similarity graphs, and train GNNs based on these graphs as weak learners in adaptive boosting. \ours{} is evaluated on two real-world medical scenarios and shows superiors performance.

چکیده به فارسی (ترجمه ماشینی)

داروهای دقیق متناسب با بیماران فردی در زمان های اخیر مورد توجه قابل توجهی قرار گرفته است.اکنون تکنیک های یادگیری ماشین برای پردازش داده های شخصی از منابع مختلف از جمله تصاویر ، ژنتیک و ارزیابی ها استفاده می شوند.این تکنیک ها در بسیاری از کارهای پیش بینی بالینی نتایج خوبی را نشان داده اند.نکته قابل توجه ، رویکرد ساخت نمودارها با پیوند بیماران مشابه و سپس استفاده از شبکه های عصبی نمودار (GNN) مشخص است ، زیرا اطلاعات مربوط به بیماران مشابه جمع شده و برای پیش بینی در نظر گرفته می شوند.با این وجود ، انتخاب ویژگی لبه مناسب برای تعریف شباهت بیمار و ساخت نمودار چالش برانگیز است ، با توجه به اینکه هر بیمار توسط ویژگی های ابعادی بالا از منابع متنوع به تصویر کشیده می شود.مطالعات قبلی برای انتخاب ویژگی Edge به تخصص انسان متکی هستند ، که نه مقیاس پذیر و نه در تعیین ویژگی های مهم لبه برای بیماری های پیچیده است.در این مقاله ، ما یک الگوریتم جدید به نام ما پیشنهاد می کنیم ، که می تواند به طور خودکار ویژگی های مهم را برای ساخت نمودارهای شباهت چندگانه بیمار انتخاب کند ، و GNN را بر اساس این نمودارها به عنوان زبان آموزان ضعیف در تقویت سازگار آموزش می دهد. ما {} در دو سناریوی پزشکی در دنیای واقعی ارزیابی می شود و عملکرد فوق العاده را نشان می دهد.