論文の概要: Multi-task Learning via Adaptation to Similar Tasks for Mortality Prediction of Diverse Rare Diseases

• arxiv url: http://arxiv.org/abs/2004.05318v2
• Date: Mon, 11 May 2020 09:58:27 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-14 10:07:59.329360
• Title: Multi-task Learning via Adaptation to Similar Tasks for Mortality Prediction of Diverse Rare Diseases
• Title（参考訳）: 多様な希少疾患の死亡予測のための類似課題への適応によるマルチタスク学習
• Authors: Luchen Liu, Zequn Liu, Haoxian Wu, Zichang Wang, Jianhao Shen, Yiping Song, and Ming Zhang
• Abstract要約: 電子健康記録(EHR)データを用いた多様な希少疾患の死亡予測は、知的医療にとって重要な課題である。 データ不足とまれな疾患の臨床的多様性により、個々の疾患データに基づいてディープラーニングモデルを直接訓練するのは困難である。 我々はAda-Sitを用いて長期記憶ネットワーク(LSTM)に基づく長手EHRデータに基づく予測モデルを訓練する。
• 参考スコア（独自算出の注目度）: 10.020413101958944
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Mortality prediction of diverse rare diseases using electronic health record (EHR) data is a crucial task for intelligent healthcare. However, data insufficiency and the clinical diversity of rare diseases make it hard for directly training deep learning models on individual disease data or all the data from different diseases. Mortality prediction for these patients with different diseases can be viewed as a multi-task learning problem with insufficient data and large task number. But the tasks with little training data also make it hard to train task-specific modules in multi-task learning models. To address the challenges of data insufficiency and task diversity, we propose an initialization-sharing multi-task learning method (Ada-Sit) which learns the parameter initialization for fast adaptation to dynamically measured similar tasks. We use Ada-Sit to train long short-term memory networks (LSTM) based prediction models on longitudinal EHR data. And experimental results demonstrate that the proposed model is effective for mortality prediction of diverse rare diseases.
• Abstract（参考訳）: 電子健康記録(EHR)データを用いた多様な希少疾患の死亡予測は、知的医療にとって重要な課題である。 しかし、データ不足とまれな疾患の臨床的多様性により、個々の疾患データや異なる疾患のデータに基づいてディープラーニングモデルを直接訓練することは困難である。 異なる疾患を持つ患者に対する死亡予測は、データ不足とタスク数が大きいマルチタスク学習問題と見なすことができる。 しかし、トレーニングデータが少ないタスクは、マルチタスク学習モデルにおけるタスク固有のモジュールのトレーニングを難しくする。 データ不足とタスク多様性の課題に対処するために,動的に測定された類似タスクへの高速適応のためのパラメータ初期化を学習する,初期化共有マルチタスク学習法(Ada-Sit)を提案する。 我々はAda-Sitを用いて長期記憶ネットワーク(LSTM)に基づく長手EHRデータに基づく予測モデルを訓練する。 実験の結果,本モデルが多様なまれな疾患の死亡予測に有効であることが示された。

関連論文リスト

• PEMS: Pre-trained Epidemic Time-series Models [23.897701882327972]
  事前学習型エピデミック時系列モデル(PEMS)を紹介する。 PEMSは、自己教師付き学習(SSL)タスクのセットとして事前トレーニングを定式化することにより、さまざまな病気の時系列データセットから学習する。 その結果、PEMは、さまざまな季節パターン、地理、感染メカニズムのデータセットをまたいださまざまなダウンストリーム時系列タスクにおいて、以前の最先端の手法よりも優れており、Covid-19パンデミックは、より少ないデータセットを使用して、より効率よく事前訓練されたデータに見られない。
  論文  参考訳（メタデータ） (2023-11-14T01:40:21Z)
• Incomplete Multimodal Learning for Complex Brain Disorders Prediction [65.95783479249745]
  本稿では,変換器と生成対向ネットワークを用いた不完全なマルチモーダルデータ統合手法を提案する。 アルツハイマー病神経画像イニシアチブコホートを用いたマルチモーダルイメージングによる認知変性と疾患予後の予測に本手法を適用した。
  論文  参考訳（メタデータ） (2023-05-25T16:29:16Z)
• Predicting multiple sclerosis disease severity with multimodal deep neural networks [10.599189568556508]
  患者のMS病重症度を予測するための多モード深層学習フレームワークを構築するために,構造化ERHデータ,ニューロイメージングデータ,臨床ノートを活用するパイロット取り組みについて述べる。 提案したパイプラインは、単一モーダルデータを用いたモデルと比較して、受信者動作特性曲線(AUROC)の下での面積の最大25%増加を示す。
  論文  参考訳（メタデータ） (2023-04-08T16:23:18Z)
• Practical Challenges in Differentially-Private Federated Survival Analysis of Medical Data [57.19441629270029]
  本稿では,ニューラルネットワークの本質的特性を活用し,生存分析モデルの訓練過程を関連づける。 小さな医療データセットと少数のデータセンターの現実的な設定では、このノイズはモデルを収束させるのが難しくなります。 DPFed-post は,私的フェデレート学習方式に後処理の段階を追加する。
  論文  参考訳（メタデータ） (2022-02-08T10:03:24Z)
• Patient Outcome and Zero-shot Diagnosis Prediction with Hypernetwork-guided Multitask Learning [3.392432412743858]
  マルチタスク深層学習は、テキストからの患者結果予測に応用されている。 複数のタスクにおける診断予測は、稀な疾患や未診断の診断による一般化可能性の問題である。 本稿では,タスク条件付きパラメータとマルチタスク予測ヘッドの係数を生成するハイパーネットワークベースの手法を提案する。
  論文  参考訳（メタデータ） (2021-09-07T12:52:26Z)
• 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)
• Relational Subsets Knowledge Distillation for Long-tailed Retinal Diseases Recognition [65.77962788209103]
  本研究では,長尾データを知識に基づいて複数のクラスサブセットに分割し,クラスサブセット学習を提案する。 モデルがサブセット固有の知識の学習に集中するように強制する。 提案手法は長期網膜疾患認識タスクに有効であることが判明した。
  論文  参考訳（メタデータ） (2021-04-22T13:39:33Z)
• Adversarial Sample Enhanced Domain Adaptation: A Case Study on Predictive Modeling with Electronic Health Records [57.75125067744978]
  ドメイン適応を容易にするデータ拡張手法を提案する。 逆生成したサンプルはドメイン適応時に使用される。 その結果,本手法の有効性とタスクの一般性が確認された。
  論文  参考訳（メタデータ） (2021-01-13T03:20:20Z)
• 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)
• Clinical Risk Prediction with Temporal Probabilistic Asymmetric Multi-Task Learning [80.66108902283388]
  マルチタスク学習手法は、臨床リスク予測などの安全クリティカルな応用に注意を払って使用すべきである。 既存の非対称なマルチタスク学習手法は、低損失のタスクから高損失のタスクへの知識伝達を行うことにより、この負の伝達問題に対処する。 特徴レベルの不確実性に基づいて,特定のタスク/タイムステップから関連する不確実なタスクへの知識伝達を行う,新しい時間的非対称型マルチタスク学習モデルを提案する。
  論文  参考訳（メタデータ） (2020-06-23T06:01:36Z)

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。