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/2007.07796v2
- Date: Wed, 5 Jun 2024 01:45:55 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-07 05:08:03.940649
- 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・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:時系列結果の同時予測と臨床像の関連性学習
- Authors: George H. Chen, Linhong Li, Ren Zuo, Amanda Coston, Jeremy C. Weiss,
- Abstract要約: 本稿では,生存予測モデル学習のためのニューラルネットワークフレームワークを提案する。
特に、各主題を「トピック」の分布としてモデル化する。
トピックの存在は、特定の臨床特徴が被験者に現れる可能性が高くなることを意味する。
- 参考スコア（独自算出の注目度）: 10.709447977149532
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We present a neural network framework for learning a survival model to predict a time-to-event outcome while simultaneously learning a topic model that reveals feature relationships. In particular, we model each subject as a distribution over "topics", where a topic could, for instance, correspond to an age group, a disorder, or a disease. The presence of a topic in a subject means that specific clinical features are more likely to appear for the subject. Topics encode information about related features and are learned in a supervised manner to predict a time-to-event outcome. Our framework supports combining many different topic and survival models; training the resulting joint survival-topic model readily scales to large datasets using standard neural net optimizers with minibatch gradient descent. For example, a special case is to combine LDA with a Cox model, in which case a subject's distribution over topics serves as the input feature vector to the Cox model. We explain how to address practical implementation issues that arise when applying these neural survival-supervised topic models to clinical data, including how to visualize results to assist clinical interpretation. We study the effectiveness of our proposed framework on seven clinical datasets on predicting time until death as well as hospital ICU length of stay, where we find that neural survival-supervised topic models achieve competitive accuracy with existing approaches while yielding interpretable clinical topics that explain feature relationships. Our code is available at: https://github.com/georgehc/survival-topics
- Abstract（参考訳）: 本稿では,特徴関係を明らかにするトピックモデルを同時に学習しながら,生存率を予測するためのニューラルネットワークフレームワークを提案する。
特に、トピックが年齢グループ、障害、病気に対応できる「トピック」の分布として、各主題をモデル化する。
トピックの存在は、特定の臨床特徴が被験者に現れる可能性が高くなることを意味する。
トピックは関連する特徴に関する情報をエンコードし、時間と結果の予測のために教師付きで学習する。
我々のフレームワークは、様々なトピックとサバイバルモデルを組み合わせることをサポートし、結果として得られるジョイントサバイバルトピックモデルを、ミニバッチ勾配勾配の標準ニューラルネットオプティマイザを用いて、簡単に大規模データセットにスケールする。
例えば、LDA を Cox モデルと組み合わせることが特別な場合であり、その場合、トピック上の対象の分布が Cox モデルへの入力特徴ベクトルとして機能する。
臨床データにこれらの神経生存制御トピックモデルを適用する際に生じる実践的実装問題に対処する方法を解説する。
提案手法は, 死亡までの予測と入院期間の予測に有効であり, ニューラルサバイバル管理された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, 特徴的関係を説明する解釈可能な臨床トピックが得られた。
私たちのコードは、https://github.com/georgehc/survival-topics.comで利用可能です。
関連論文リスト
- Neural decoding from stereotactic EEG: accounting for electrode variability across subjects [21.28778005847666]
本稿では,SEEGデータを用いて被験者間の振る舞いを復号化するためのトレーニングフレームワークである seegnificant を紹介する。
本研究では,行動課題を遂行する21人の被験者の複合データに基づいて学習した多目的モデルを構築した。
論文 参考訳（メタデータ） (2024-11-01T17:58:01Z) - An Introduction to Deep Survival Analysis Models for Predicting Time-to-Event Outcomes [5.257719744958367]
生存分析の分野では、時間から時間までの成果が広く研究されている。
Monographは、サバイバル分析のための、合理的に自己完結したモダンな導入を提供することを目指している。
論文 参考訳（メタデータ） (2024-10-01T21:29:17Z) - Exploiting Spatial-temporal Data for Sleep Stage Classification via
Hypergraph Learning [16.802013781690402]
睡眠段階分類のための時空間データをエンコードするハイパーグラフを導入した動的学習フレームワークSTHLを提案する。
提案したSTHLは睡眠段階分類タスクにおける最先端モデルよりも優れる。
論文 参考訳（メタデータ） (2023-09-05T11:01:30Z) - Neural Dynamic Focused Topic Model [2.9005223064604078]
ニューラル変動推論の最近の進歩を活用し、ダイナミックフォーカストピックモデルに代替的なニューラルアプローチを提案する。
本稿では,Bernoulli確率変数の列を利用してトピックの出現を追跡するトピック進化のためのニューラルモデルを開発する。
論文 参考訳（メタデータ） (2023-01-26T08:37:34Z) - 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) - 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) - Deep Co-Attention Network for Multi-View Subspace Learning [73.3450258002607]
マルチビューサブスペース学習のための深層コアテンションネットワークを提案する。
共通情報と相補情報の両方を敵意で抽出することを目的としている。
特に、新しいクロス再構成損失を使用し、ラベル情報を利用して潜在表現の構築を誘導する。
論文 参考訳（メタデータ） (2021-02-15T18:46:44Z) - Semi-Structured Deep Piecewise Exponential Models [2.7728956081909346]
本稿では,統計学の先進的な概念と深層学習を組み合わせた生存分析のための多目的フレームワークを提案する。
この枠組みを用いてアルツハイマー病の進行を予測することによって概念実証を行う。
論文 参考訳（メタデータ） (2020-11-11T14:41:19Z) - 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) - Temporal Phenotyping using Deep Predictive Clustering of Disease
Progression [97.88605060346455]
我々は、時系列データをクラスタリングするためのディープラーニングアプローチを開発し、各クラスタは、同様の将来的な結果を共有する患者から構成される。
2つの実世界のデータセットに対する実験により、我々のモデルは最先端のベンチマークよりも優れたクラスタリング性能が得られることが示された。
論文 参考訳（メタデータ） (2020-06-15T20:48:43Z) - Modeling Shared Responses in Neuroimaging Studies through MultiView ICA [94.31804763196116]
被験者の大規模なコホートを含むグループ研究は、脳機能組織に関する一般的な結論を引き出す上で重要である。
グループ研究のための新しい多視点独立成分分析モデルを提案し、各被験者のデータを共有独立音源と雑音の線形結合としてモデル化する。
まず、fMRIデータを用いて、被験者間の共通音源の同定における感度の向上を示す。
論文 参考訳（メタデータ） (2020-06-11T17:29:53Z)
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。