論文の概要: Neural Topic Models with Survival Supervision: Jointly Predicting
Time-to-Event Outcomes and Learning How Clinical Features Relate
- arxiv url: http://arxiv.org/abs/2007.07796v1
- Date: Wed, 15 Jul 2020 16:20:04 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-10 05:01:01.668702
- Title: Neural Topic Models with Survival Supervision: Jointly Predicting
Time-to-Event Outcomes and Learning How Clinical Features Relate
- Title(参考訳): サバイバルスーパービジョンを用いたニューラルトピックモデル:時系列結果の予測と臨床像の関連性学習
- Authors: Linhong Li, Ren Zuo, Amanda Coston, Jeremy C. Weiss, George H. Chen
- Abstract要約: 本稿では,時間対結果の予測のための解釈可能なニューラルネットワーク手法を提案する。
我々は、トピックモデルの観点から機能がどのように関連しているかを同時に学習しながら、時間から時間までの結果を予測するために生存モデルを学習する。
本研究は,7つの医療データセットを用いて,死亡までの予測と入院期間の予測について検討した。
- 参考スコア(独自算出の注目度): 8.661220987937565
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In time-to-event prediction problems, a standard approach to estimating an
interpretable model is to use Cox proportional hazards, where features are
selected based on lasso regularization or stepwise regression. However, these
Cox-based models do not learn how different features relate. As an alternative,
we present an interpretable neural network approach to jointly learn a survival
model to predict time-to-event outcomes while simultaneously learning how
features relate in terms of a topic model. In particular, we model each subject
as a distribution over "topics", which are learned from clinical features as to
help predict a time-to-event outcome. From a technical standpoint, we extend
existing neural topic modeling approaches to also minimize a survival analysis
loss function. We study the effectiveness of this approach on seven healthcare
datasets on predicting time until death as well as hospital ICU length of stay,
where we find that neural survival-supervised topic models achieves competitive
accuracy with existing approaches while yielding interpretable clinical
"topics" that explain feature relationships.
- Abstract(参考訳): 時間-事象予測問題において、解釈可能なモデルを推定するための標準的なアプローチは、ラッソ正則化やステップワイズ回帰に基づいて特徴を選択できるcox比例ハザードを使用することである。
しかし、これらのCoxベースのモデルは、異なる機能がどのように関連しているかを学ばない。
代替として、トピックモデルの観点から機能がどのように関連しているかを同時に学習しながら、生存率モデルを共同学習するための解釈可能なニューラルネットワークアプローチを提案する。
特に、各被験者を「トピック」の分布としてモデル化し、臨床的特徴から学習し、時間と結果の予測に役立てる。
技術的観点から、既存のニューラルトピックモデリングアプローチを拡張し、生存分析損失関数を最小化する。
本研究は,7つの医療データセットによる死までの予測と入院期間の予測について検討し,ニューラルサバイバルによるトピックモデルが既存のアプローチと競合する精度を達成し,機能的関係を説明する「トピック」が得られた。
関連論文リスト
- Causal Feature Selection via Transfer Entropy [59.999594949050596]
因果発見は、観察データによる特徴間の因果関係を特定することを目的としている。
本稿では,前向きと後向きの機能選択に依存する新たな因果的特徴選択手法を提案する。
精度および有限サンプルの場合の回帰誤差と分類誤差について理論的に保証する。
論文 参考訳(メタデータ) (2023-10-17T08:04:45Z) - CenTime: Event-Conditional Modelling of Censoring in Survival Analysis [49.44664144472712]
CenTimeは、イベントへの時間を直接見積もる、サバイバル分析の新しいアプローチである。
本手法は,非検閲データが少ない場合でも,堅牢なイベント条件検閲機構を特徴とする。
以上の結果から,CenTimeは同等の性能を維持しつつ,死までの時間を予測する上で,最先端のパフォーマンスを提供することがわかった。
論文 参考訳(メタデータ) (2023-09-07T17:07:33Z) - Neural Fine-Gray: Monotonic neural networks for competing risks [0.0]
生存分析として知られる時間対イベントモデリングは、関心のある出来事を経験していない患者の検閲に対処するため、標準回帰とは異なる。
本稿では、制約付きモノトニックニューラルネットワークを用いて、各サバイバル分布をモデル化する。
このソリューションの有効性は、1つの合成データセットと3つの医療データセットで示される。
論文 参考訳(メタデータ) (2023-05-11T10:27:59Z) - Continuous-Time Modeling of Counterfactual Outcomes Using Neural
Controlled Differential Equations [84.42837346400151]
反現実的な結果を予測することは、パーソナライズされたヘルスケアをアンロックする可能性がある。
既存の因果推論アプローチでは、観察と治療決定の間の通常の離散時間間隔が考慮されている。
そこで本研究では,腫瘍増殖モデルに基づく制御可能なシミュレーション環境を提案する。
論文 参考訳(メタデータ) (2022-06-16T17:15:15Z) - Neural interval-censored Cox regression with feature selection [1.2891210250935146]
古典的コックスモデル(英語版)は1972年に登場し、生体医学における時間-時間分析を用いて患者の予後を定量化する方法のブレークスルーを促進した。
本稿では,古典的コックスモデルのインターバルセンサス設定における説明可能性の利点を活用することを目的とする。
論文 参考訳(メタデータ) (2022-06-14T14:40:10Z) - Metaparametric Neural Networks for Survival Analysis [0.6445605125467573]
本稿では,既存の生存分析手法を含むメタパラメトリックニューラルネットワークフレームワークを提案する。
このフレームワークにより、サバイバルニューラルネットワークは、基盤となるデータ構造からのジェネリック関数推定の独立性を満足することができる。
論文 参考訳(メタデータ) (2021-10-13T10:06:57Z) - Meta-Learning for Koopman Spectral Analysis with Short Time-series [49.41640137945938]
既存の手法では、ニューラルネットワークのトレーニングに長い時間を要する。
本稿では,未知の短い時系列から埋め込み関数を推定するメタラーニング手法を提案する。
提案手法は,固有値推定と将来予測の観点から,よりよい性能を実現することを実験的に実証した。
論文 参考訳(メタデータ) (2021-02-09T07:19:19Z) - STELAR: Spatio-temporal Tensor Factorization with Latent Epidemiological
Regularization [76.57716281104938]
我々は,多くの地域の流行傾向を同時に予測するテンソル法を開発した。
stelarは離散時間差分方程式のシステムを通じて潜在時間正規化を組み込むことで長期予測を可能にする。
我々は、カウンティレベルと州レベルのCOVID-19データの両方を用いて実験を行い、このモデルが流行の興味深い潜伏パターンを識別できることを示します。
論文 参考訳(メタデータ) (2020-12-08T21:21:47Z) - DeepHazard: neural network for time-varying risks [0.6091702876917281]
生存予測のための新しいフレキシブルな手法,DeepHazardを提案する。
我々のアプローチは、時間内に添加物としてのみ制限される、広範囲の継続的なハザード形態に適合している。
数値的な例では,我々の手法は,C-インデックス計量を用いて評価された予測能力において,既存の最先端手法よりも優れていた。
論文 参考訳(メタデータ) (2020-07-26T21:01:49Z) - A General Framework for Survival Analysis and Multi-State Modelling [70.31153478610229]
ニューラル常微分方程式を多状態生存モデル推定のためのフレキシブルで一般的な方法として用いる。
また,本モデルでは,サバイバルデータセット上での最先端性能を示すとともに,マルチステート環境での有効性を示す。
論文 参考訳(メタデータ) (2020-06-08T19:24:54Z) - Variational Learning of Individual Survival Distributions [21.40142425105635]
本稿では,分散学習技術とディープニューラルネットワークの最近の進歩を基盤として,変分生存推定(VSI)と呼ばれる変動時間対イベント予測モデルを提案する。
提案手法の有効性を検証するため, 合成および実世界の両方のデータセットに対する広範な実験を行い, 競合するソリューションと比較して性能が向上したことを示す。
論文 参考訳(メタデータ) (2020-03-09T22:09:51Z)
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。