論文の概要: An evaluation of machine learning techniques to predict the outcome of
children treated for Hodgkin-Lymphoma on the AHOD0031 trial: A report from
the Children's Oncology Group
- arxiv url: http://arxiv.org/abs/2001.05534v2
- Date: Fri, 26 Mar 2021 17:43:56 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-11 06:58:23.749756
- Title: An evaluation of machine learning techniques to predict the outcome of
children treated for Hodgkin-Lymphoma on the AHOD0031 trial: A report from
the Children's Oncology Group
- Title（参考訳）: ahod0031治験におけるホジキンリンパ腫治療の予後予測のための機械学習手法の評価 : 小児腫瘍グループからの報告
- Authors: C\'edric Beaulac, Jeffrey S. Rosenthal, Qinglin Pei, Debra Friedman,
Suzanne Wolden and David Hodgson
- Abstract要約: 生存分析における機械学習アルゴリズムの可能性について検討する。
我々は改善したいCoxPHモデルの弱点について論じる。
我々は、人工知能の最近の進歩の恩恵を享受したい実践者のためにレコメンデーションを作成します。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this manuscript we analyze a data set containing information on children
with Hodgkin Lymphoma (HL) enrolled on a clinical trial. Treatments received
and survival status were collected together with other covariates such as
demographics and clinical measurements. Our main task is to explore the
potential of machine learning (ML) algorithms in a survival analysis context in
order to improve over the Cox Proportional Hazard (CoxPH) model. We discuss the
weaknesses of the CoxPH model we would like to improve upon and then we
introduce multiple algorithms, from well-established ones to state-of-the-art
models, that solve these issues. We then compare every model according to the
concordance index and the brier score. Finally, we produce a series of
recommendations, based on our experience, for practitioners that would like to
benefit from the recent advances in artificial intelligence.
- Abstract（参考訳）: 本論文は,Hodgkin Lymphoma (HL) の小児における臨床治験における情報を含むデータセットを解析したものである。
治療や生存状況は、人口統計や臨床測定などの他の共変量とともに収集された。
我々の主な課題は、Cox Proportional Hazard(CoxPH)モデルを改善するために、生存分析コンテキストにおける機械学習(ML)アルゴリズムの可能性を探ることである。
我々は、改善したいCoxPHモデルの弱点について論じ、その後、確立されたモデルから最先端モデルまで複数のアルゴリズムを導入し、これらの問題を解決する。
次に、一致指数とブライアスコアに基づいて、すべてのモデルを比較する。
最後に、私たちは、最近の人工知能の進歩から恩恵を得たい実践者のために、経験に基づいて一連のレコメンデーションを作成します。
関連論文リスト
- Adapting Machine Learning Diagnostic Models to New Populations Using a
Small Amount of Data: Results from Clinical Neuroscience [17.161866044628205]
我々は、ソースグループからのデータを最適に組み合わせ、ターゲットグループで予測する、重み付き経験的リスク最小化手法を開発した。
本研究では,アルツハイマー病の診断と脳年齢推定のためのMLモデルを構築するため,20の神経画像研究から15,363人のマルチソースデータに適用した。
論文 参考訳（メタデータ） (2023-08-06T18:05:39Z) - Evaluation of Popular XAI Applied to Clinical Prediction Models: Can
They be Trusted? [2.0089256058364358]
透明性と説明可能性の欠如は、機械学習(ML)アルゴリズムの臨床的採用を妨げる。
本研究は、医療現場における予測モデルの説明に使用される2つの一般的なXAI手法を評価する。
論文 参考訳（メタデータ） (2023-06-21T02:29:30Z) - Informing clinical assessment by contextualizing post-hoc explanations
of risk prediction models in type-2 diabetes [50.8044927215346]
本研究は, 合併症リスク予測のシナリオを考察し, 患者の臨床状態に関する文脈に焦点を当てる。
我々は、リスク予測モデル推論に関する文脈を提示し、その受容性を評価するために、最先端のLLMをいくつか採用する。
本論文は,実世界における臨床症例における文脈説明の有効性と有用性を明らかにする最初のエンドツーエンド分析の1つである。
論文 参考訳（メタデータ） (2023-02-11T18:07:11Z) - LifeLonger: A Benchmark for Continual Disease Classification [59.13735398630546]
MedMNISTコレクションの連続的な疾患分類のためのベンチマークであるLifeLongerを紹介する。
タスクとクラスでの病気の漸進的な学習は、モデルをスクラッチから再トレーニングすることなく、新しいサンプルを分類する問題に対処する。
クロスドメインインクリメンタル学習は、これまで得られた知識を維持しながら、異なる機関から派生したデータセットを扱う問題に対処する。
論文 参考訳（メタデータ） (2022-04-12T12:25:05Z) - An Ensemble Approach for Patient Prognosis of Head and Neck Tumor Using
Multimodal Data [0.0]
頭頸部腫瘍の予後を予測するために,深層マルチタスクロジスティック回帰(MTLR),コックス比重ハザード(CoxPH),CNNモデルを組み込んだマルチモーダルネットワークを提案する。
提案手法は,HECKTORテストセットのC-インデックス0.72を達成し,HECKTORチャレンジの予後タスクにおける第1位を救った。
論文 参考訳（メタデータ） (2022-02-25T07:50:59Z) - Multi-task fusion for improving mammography screening data
classification [3.7683182861690843]
まず、個別のタスク固有のモデルのセットをトレーニングするパイプラインアプローチを提案する。
次に、標準モデルの集合戦略とは対照的に、その融合について検討する。
我々の融合アプローチは、標準モデルのアンサンブルに比べてAUCのスコアを最大0.04向上させる。
論文 参考訳（メタデータ） (2021-12-01T13:56:27Z) - A multi-stage machine learning model on diagnosis of esophageal
manometry [50.591267188664666]
このフレームワークには、飲み込みレベルにおけるディープラーニングモデルと、学習レベルにおける機能ベースの機械学習モデルが含まれている。
これは、生のマルチスワローデータからHRM研究のCC診断を自動的に予測する最初の人工知能モデルである。
論文 参考訳（メタデータ） (2021-06-25T20:09:23Z) - CoRSAI: A System for Robust Interpretation of CT Scans of COVID-19
Patients Using Deep Learning [133.87426554801252]
我々は,深部畳み込み神経網のアンサンブルを用いた肺CTスキャンのセグメンテーションによるアプローチを採用した。
本モデルを用いて, 病変の分類, 患者の動態の評価, 病変による肺の相対体積の推定, 肺の損傷ステージの評価が可能となった。
論文 参考訳（メタデータ） (2021-05-25T12:06:55Z) - Clinical Outcome Prediction from Admission Notes using Self-Supervised
Knowledge Integration [55.88616573143478]
臨床テキストからのアウトカム予測は、医師が潜在的なリスクを見落としないようにする。
退院時の診断,手術手順,院内死亡率,長期予測は4つの一般的な結果予測対象である。
複数の公開資料から得られた患者結果に関する知識を統合するために,臨床結果の事前学習を提案する。
論文 参考訳（メタデータ） (2021-02-08T10:26:44Z) - Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype
Prediction [55.94378672172967]
本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。
新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。
我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
論文 参考訳（メタデータ） (2020-09-02T02:50:30Z) - A survey of statistical learning techniques as applied to inexpensive
pediatric Obstructive Sleep Apnea data [3.1373682691616787]
閉塞性睡眠時無呼吸は小学生の1-5%に影響を及ぼす。
スウィフトの診断と治療は、子供の成長と発達にとって重要であるが、症状の多様性と利用可能なデータの複雑さは、これを困難にしている。
探索データ解析のプロセスにおいて,相関ネットワーク,トポロジカルデータ解析からのMapperアルゴリズム,特異値分解を適用した。
論文 参考訳（メタデータ） (2020-02-17T18:15:32Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。