基于潜在图学习的疾病预测
本文介绍了一种新的图形领域体系结构,用于基于图形的深度学习用于疾病预测,该体系结构利用不同内核大小的滤波器来构建,特点是定义了几何 “内核模块”,能够在卷积期间捕获结构异质性。研究展示了该模型在两个公开数据集上的疾病预测结果,并提供了在模拟数据的不同输入情况下,常规 GCNs 和我们提出的模型的行为洞见。
Mar, 2019
本文介绍了在人群的脑分析中,将图卷积网络(GCN)应用于包括成像和非成像数据的稀疏图中,以推断未标记节点的类别,并在分类任务中整合上下文信息的潜力。该方法在 ABIDE 和 ADNI 数据库上取得了良好的性能。
Mar, 2017
本文提出了一种利用图卷积网络的通用框架,该框架旨在将人群表示为一个稀疏图,其中其节点与基于成像的特征向量相关联,而表型信息则作为边权集成,以在大型人群中进行脑分析,本框架可以用于疾病预测任务,能够显著提高预测性能,并在测试了两个大型数据集,ABIDE 和 ADNI,以分别预测自闭症谱系障碍和转化为阿尔茨海默病的结果。
Jun, 2018
本综述论文介绍了基于图卷积网络(GCN)的医学图像分析的最新研究进展,包括放射学和组织病理学数据,讨论了 GCN 在疾病诊断和患者康复中的应用,以及其在模型解释、大规模基准测试等方面的技术挑战和发展趋势。
Feb, 2022
本文提出了一种用于防止基于图的分类器强调任何特定类别样本的重加权对抗图卷积神经网络(RA-GCN)以解决医学数据集中的类别不平衡问题,并在合成和实际数据集上的实验证明了其优越性。
Feb, 2021
本文研究机器学习领域的图半监督学习,提出了基于图卷积网络的深度学习方法,解决了图卷积网络机制不清晰及需要大量标注数据的问题,并针对浅层结构的限制提出了弱监督训练的方法。经过广泛实验验证,研究结果具有实际应用价值。
Jan, 2018
本文提出了一种图拉普拉斯图卷积网络 (gLGCN) 方法,该方法通过编码图结构和节点特征同时保持局部不变性约束,用于图数据表示和半监督分类,并在实验中证明了其有效性。
Sep, 2018
本研究提出了一种基于电子医疗记录的医疗保健图卷积网络(HealGCN),以为在线用户提供疾病自诊服务,并使用对称检索系统来处理临床信息稀缺以及为冷启动用户提供服务,该系统能够建立一个异构图,以针对疾病诊断提供更好的诊断精度。
Sep, 2020
本研究提出了一种名为 DGCN 的新型 GCN 模型,通过利用一阶和二阶接近度来将其扩展到有向图,可以保留有向图的连接属性并扩展卷积操作的感受野,实验证明只用 DGCNs 可编码更多有用的图信息并在推广到其他模型时提高性能。
Apr, 2020