論文の概要: StageNet: Stage-Aware Neural Networks for Health Risk Prediction

• arxiv url: http://arxiv.org/abs/2001.10054v1
• Date: Fri, 24 Jan 2020 17:50:36 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-07 04:39:12.881446
• Title: StageNet: Stage-Aware Neural Networks for Health Risk Prediction
• Title（参考訳）: StageNet:健康リスク予測のためのステージ対応ニューラルネットワーク
• Authors: Junyi Gao, Cao Xiao, Yasha Wang, Wen Tang, Lucas M. Glass, Jimeng Sun
• Abstract要約: 患者データから病期情報を抽出し,リスク予測に組み込むためのStageNetモデルを提案する。 StageNetは、(1)健康ステージの変動を教師なしで抽出するLSTMモジュール、(2)ステージ関連進行パターンをリスク予測に組み込んだステージ適応畳み込みモジュールによって実現されている。 実世界の2つのデータセット上でStageNetを評価し,リスク予測タスクと患者サブタイプタスクにおいて,StageNetが最先端モデルより優れていることを示す。
• 参考スコア（独自算出の注目度）: 71.42431498071338
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep learning has demonstrated success in health risk prediction especially for patients with chronic and progressing conditions. Most existing works focus on learning disease Network (StageNet) model to extract disease stage information from patient data and integrate it into risk prediction. StageNet is enabled by (1) a stage-aware long short-term memory (LSTM) module that extracts health stage variations unsupervisedly; (2) a stage-adaptive convolutional module that incorporates stage-related progression patterns into risk prediction. We evaluate StageNet on two real-world datasets and show that StageNet outperforms state-of-the-art models in risk prediction task and patient subtyping task. Compared to the best baseline model, StageNet achieves up to 12% higher AUPRC for risk prediction task on two real-world patient datasets. StageNet also achieves over 58% higher Calinski-Harabasz score (a cluster quality metric) for a patient subtyping task.
• Abstract（参考訳）: 深層学習は、特に慢性および進行中の患者の健康リスク予測に成功している。 既存の研究の多くは、患者データから病期情報を抽出し、リスク予測に統合する学習病期ネットワーク(StageNet)モデルに焦点を当てている。 StageNetは、(1)健康ステージの変動を教師なしで抽出するLSTMモジュール、(2)ステージ関連進行パターンをリスク予測に組み込んだステージ適応畳み込みモジュールによって実現されている。 実世界の2つのデータセット上でStageNetを評価し,リスク予測タスクと患者サブタイプタスクにおいて,StageNetが最先端モデルより優れていることを示す。 最高のベースラインモデルと比較して、StageNetは2つの現実世界の患者データセットのリスク予測タスクにおいて、最大12%高いAUPRCを達成する。 stagenetはまた、患者のサブタイプタスクに対して、calinski-harabaszスコア(クラスタ品質指標)を58%以上高めている。

関連論文リスト

• MedDiffusion: Boosting Health Risk Prediction via Diffusion-based Data Augmentation [58.93221876843639]
  本稿では,MedDiffusion という,エンドツーエンドの拡散に基づくリスク予測モデルを提案する。 トレーニング中に合成患者データを作成し、サンプルスペースを拡大することで、リスク予測性能を向上させる。 ステップワイズ・アテンション・メカニズムを用いて患者の来訪者間の隠れた関係を識別し、高品質なデータを生成する上で最も重要な情報をモデルが自動的に保持することを可能にする。
  論文  参考訳（メタデータ） (2023-10-04T01:36:30Z)
• DiffSTG: Probabilistic Spatio-Temporal Graph Forecasting with Denoising Diffusion Models [53.67562579184457]
  本稿では,不確実性や複雑な依存関係のモデル化が困難であることから,確率的STG予測に焦点をあてる。 本稿では,一般的な拡散モデルをSTGに一般化する最初の試みとして,DiffSTGと呼ばれる新しい非自己回帰フレームワークを提案する。 提案手法は,本質的時間学習能力STNNと拡散モデルの不確実性測定を組み合わせたものである。
  論文  参考訳（メタデータ） (2023-01-31T13:42:36Z)
• SurvLatent ODE : A Neural ODE based time-to-event model with competing risks for longitudinal data improves cancer-associated Deep Vein Thrombosis (DVT) prediction [68.8204255655161]
  本稿では,不規則なサンプルデータの下で潜在表現をパラメータ化する生成時間対イベントモデルSurvLatent ODEを提案する。 そこで,本モデルでは,事象特異的ハザード関数の形状を指定せずに,複数の競合イベントの生存時間を柔軟に推定する。 SurvLatent ODEは、DVTリスクグループを成層化するために、現在の臨床標準であるKhorana Riskスコアより優れている。
  論文  参考訳（メタデータ） (2022-04-20T17:28:08Z)
• Unsupervised Pre-Training on Patient Population Graphs for Patient-Level Predictions [48.02011627390706]
  プレトレーニングは、コンピュータビジョン(CV)、自然言語処理(NLP)、医療画像など、機械学習のさまざまな分野で成功している。 本稿では,患者結果の予測のために,教師なし事前学習を異種マルチモーダルEHRデータに適用する。 提案手法は,人口レベルでのデータモデリングに有効であることがわかった。
  論文  参考訳（メタデータ） (2022-03-23T17:59:45Z)
• 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)
• Multimodal PET/CT Tumour Segmentation and Prediction of Progression-Free Survival using a Full-Scale UNet with Attention [0.8138288420049126]
  MICCAI 2021 ヘッドとネックタマ (HECKTOR) セグメンテーションと結果予測の課題は、セグメンテーション法を比較するためのプラットフォームを作成する。 腫瘍容積セグメンテーションのために複数のニューラルネットワークを訓練し,これらのセグメンテーションを組込み,平均Dice類似度係数0.75をクロスバリデーションで達成した。 患者進行自由生存の予測のために,臨床,放射線学,深層学習機能を組み合わせたCox比例的ハザード回帰法を提案する。
  論文  参考訳（メタデータ） (2021-11-06T10:28:48Z)
• Pre-training transformer-based framework on large-scale pediatric claims data for downstream population-specific tasks [3.1580072841682734]
  本研究は、小児科のクレームデータセット全体をトレーニングする一般的な事前学習モデルであるClaim Pre-Training(Claim-PT)フレームワークを提案する。 効果的な知識伝達はタスク対応微調整段階を通じて完了する。 我々は100万人以上の患者記録を持つ実世界のクレームデータセットの実験を行った。
  論文  参考訳（メタデータ） (2021-06-24T15:25:41Z)
• Surrogate Assisted Semi-supervised Inference for High Dimensional Risk Prediction [3.10560974227074]
  高次元予測器を用いたリスクモデリングのためのSAS(Surrogate Assisted Semi-supervised- Learning)アプローチを開発しています。 SAS法が高次元作業モデルに起因する予測リスクに対して有効な推論を提供することを実証する。
  論文  参考訳（メタデータ） (2021-05-04T03:08:51Z)
• Deep learning via LSTM models for COVID-19 infection forecasting in India [13.163271874039191]
  卓越した計算モデルと数学的モデルは、感染の拡散の複雑さのために信頼性が低い。 リカレントニューラルネットワークのようなディープラーニングモデルは、時間的シーケンスをモデル化するのに適している。 感染率の面では、新型コロナウイルスのホットポットを持つ州を選択し、感染の有無やピークに達した州と比較する。 以上の結果から,他の国や地域での手法の適用を動機づける長期予測が期待されていることが示唆された。
  論文  参考訳（メタデータ） (2021-01-28T09:19:10Z)
• UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced Data [81.00385374948125]
  我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。 UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。 非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。 UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
  論文  参考訳（メタデータ） (2020-10-22T02:28:11Z)

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。