Multi-label classification of visceral diseases based on human acupoint networks via local-global graph neural networks
Notice bibliographique
Résumé
Identifying acupoint-disease associations is of paramount significance. However, existing approaches generally suffer from key limitations: they either overlook potential heterogeneous correlations among samples or fail to fully exploit unstructured individual-specific features. To address these issues, we innovatively construct a novel human acupoint network using mutual information between acupoints, enabling the discovery of previously unexplored latent topological dependencies. A community detection method is then applied to partition the network into structurally consistent local subgraphs. Furthermore, a novel multimodal local-global Acupoint Graph Neural Network (LGA-GNN) is proposed for multi-label classification of visceral diseases. The LGA-GNN framework comprises two core components. The local ACU-GNN module learns structural embeddings from the partitioned subgraphs and identifies key acupoint nodes indicative of visceral diseases. The global Subject-GNN module integrates local embeddings with nonacupoint data (gender, age) to capture heterogeneous inter-individual relationships relevant to disease labels. To enhance the discriminative power of local embeddings, a Feature-Guided Propagation Pooling (FGP-Pooling) mechanism is incorporated into the ACU-GNN to retain diagnostically significant node features. Meanwhile, the Subject-GNN employs a forward information aggregation module to adaptively fuse multi-scale graph features, improving the model’s representation capacity and classification performance. The proposed LGA-GNN is comprehensively evaluated on a large-scale real-world dataset. Experimental results achieve an average AUC of 0.94 and ACC of 0.88 under five-fold cross-validation. The model significantly outperforms state-of-the-art baselines across multiple metrics, demonstrating strong effectiveness and superiority in multi-label disease classification.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».