通过多重图形神经网络融合模式,从医疗数据及其他方面进行结果预测

科学领域:

• 人工智能的人工智能
• 生物医学信息学 生物医学信息学
• 数据科学数据科学数据科学

背景情况:

• 多模式电子健康记录 (EHR) 包含跨临床,成像和基因组模式的宝贵患者数据.
• 整合这些多样化的数据对于个性化医学至关重要,包括治疗指导和结果预测.
• 当前的多式联接融合方法在各个模式中与不统一,不相关或缺失的数据作斗争.

研究的目的:

• 为有效的多式联运数据融合制定一个通用框架.
• 解决来自多个来源的异质和不完整数据整合的挑战.
• 通过使用先进的融合技术,改进针对患者的治疗指导和结果预测.

主要方法:

• 一种新的方法,利用多模图进行多式联络数据融合.
• 通过有针对性的编码和模拟关系在一个结合的潜在空间中表示模式.
• 开发一个新的图形神经网络 (GNN),专门设计用于多重图形,以实现基于任务的推理.

主要成果:

• 拟议的多重联网GNN框架在各种应用中显示出强大的性能改进.
• 在基准数据集 (AIFB,MUTAG) 和大型临床数据集 (NIH-TB,ABIDE) 上进行评估.
• 超过了几种最先进的多图形推理和多式联络融合方法.

结论:

• 多联图为医疗保健中有效的多式联络数据融合提供了强大的机制.
• 开发的多重GNN框架为患者结果预测和分类任务提供了重大进展.
• 这种方法有望通过利用数据模式内和跨数据模式的复杂交互来增强个性化医疗.