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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».