Graph data modelling for outcome prediction in oropharyngeal cancer patients

要約

グラフ ニューラル ネットワーク (GNN) は、疾患の分類と転帰予測のタスクのために医療分野でますます普及しています。
患者データはグラフとしてすぐに利用できないため、既存の方法のほとんどは手動で患者グラフを定義するか、患者間のペアごとの類似性に基づいて潜在グラフを学習します。
最近導入されたハイパーグラフ ニューラル ネットワーク (HGNN) ベースの方法もあり、患者をハイパーグラフとして表現することで患者間の潜在的な高次の関連性を利用します。
この研究では、患者ハイパーグラフ ネットワーク (PHGN) を提案します。これは、初めてコンピューター断層撮影 (CT) ベースの放射線特徴を使用して、中咽頭がん (OPC) 患者におけるバイナリ転帰予測のための帰納的学習セットアップで調査されました。
さらに、提案されたモデルはイベント発生までの時間分析を実行するように拡張され、GNN およびベースライン線形モデルと比較されました。

要約(オリジナル)

Graph neural networks (GNNs) are becoming increasingly popular in the medical domain for the tasks of disease classification and outcome prediction. Since patient data is not readily available as a graph, most existing methods either manually define a patient graph, or learn a latent graph based on pairwise similarities between the patients. There are also hypergraph neural network (HGNN)-based methods that were introduced recently to exploit potential higher order associations between the patients by representing them as a hypergraph. In this work, we propose a patient hypergraph network (PHGN), which has been investigated in an inductive learning setup for binary outcome prediction in oropharyngeal cancer (OPC) patients using computed tomography (CT)-based radiomic features for the first time. Additionally, the proposed model was extended to perform time-to-event analyses, and compared with GNN and baseline linear models.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google