論文の概要: MIA-Prognosis: A Deep Learning Framework to Predict Therapy Response

• arxiv url: http://arxiv.org/abs/2010.04062v1
• Date: Thu, 8 Oct 2020 15:30:17 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-09 11:22:19.105706
• Title: MIA-Prognosis: A Deep Learning Framework to Predict Therapy Response
• Title（参考訳）: MIA-Prognosis: 治療反応を予測するディープラーニングフレームワーク
• Authors: Jiancheng Yang, Jiajun Chen, Kaiming Kuang, Tiancheng Lin, Junjun He, Bingbing Ni
• Abstract要約: 本稿では,患者の予後と治療反応を予測するための統合型深層学習手法を提案する。 我々は,マルチモーダル非同期時系列分類タスクとして,確率モデリングを定式化する。 我々の予測モデルは、長期生存の観点から、低リスク、高リスクの患者をさらに階層化する可能性がある。
• 参考スコア（独自算出の注目度）: 58.0291320452122
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Predicting clinical outcome is remarkably important but challenging. Research efforts have been paid on seeking significant biomarkers associated with the therapy response or/and patient survival. However, these biomarkers are generally costly and invasive, and possibly dissatifactory for novel therapy. On the other hand, multi-modal, heterogeneous, unaligned temporal data is continuously generated in clinical practice. This paper aims at a unified deep learning approach to predict patient prognosis and therapy response, with easily accessible data, e.g., radiographics, laboratory and clinical information. Prior arts focus on modeling single data modality, or ignore the temporal changes. Importantly, the clinical time series is asynchronous in practice, i.e., recorded with irregular intervals. In this study, we formalize the prognosis modeling as a multi-modal asynchronous time series classification task, and propose a MIA-Prognosis framework with Measurement, Intervention and Assessment (MIA) information to predict therapy response, where a Simple Temporal Attention (SimTA) module is developed to process the asynchronous time series. Experiments on synthetic dataset validate the superiory of SimTA over standard RNN-based approaches. Furthermore, we experiment the proposed method on an in-house, retrospective dataset of real-world non-small cell lung cancer patients under anti-PD-1 immunotherapy. The proposed method achieves promising performance on predicting the immunotherapy response. Notably, our predictive model could further stratify low-risk and high-risk patients in terms of long-term survival.
• Abstract（参考訳）: 臨床結果の予測は極めて重要であるが、難しい。 治療反応や患者生存に関連する重要なバイオマーカーの探索に研究費が支払われている。 しかし、これらのバイオマーカーは一般的に高価で侵襲的であり、おそらく新規治療には不満足である。 一方, 臨床実践では, マルチモーダル, 不均一, 非整合の時空間データが連続的に生成される。 本稿では, 放射線画像, 検査情報, 臨床情報など, 容易にアクセス可能なデータを用いて, 患者の予後と治療反応を予測するための, 統合型深層学習手法を提案する。 先行技術は単一のデータモダリティのモデリング、あるいは時間的変化の無視に重点を置いている。 重要なことに、臨床の時系列は実際に非同期、すなわち不規則な間隔で記録される。 本研究では,マルチモーダルな非同期時系列分類タスクとしてプログノーシスモデリングを形式化し,測定・インターベンション・アンド・アセスメント(MIA)情報を用いたMIA-プログノーシス・フレームワークを提案し,非同期時系列を処理するためのシンプルなテンポラルアテンション(SimTA)モジュールを開発した。 合成データセットの実験は、標準RNNアプローチよりもSimTAの優位性を検証する。 さらに, 抗pd-1免疫療法を施行した非小細胞肺癌患者に対して, 内的, ふりかえりデータセットで提案手法を実験した。 提案手法は免疫療法反応の予測において有望な性能を発揮する。 特に, 長期生存率の面では, 低リスク・高リスク患者の階層化が期待できる。

関連論文リスト

• Deep State-Space Generative Model For Correlated Time-to-Event Predictions [54.3637600983898]
  そこで本研究では,様々な種類の臨床イベント間の相互作用を捉えるために,潜伏状態空間生成モデルを提案する。 また,死亡率と臓器不全の関連性について有意な知見が得られた。
  論文  参考訳（メタデータ） (2024-07-28T02:42:36Z)
• Probabilistic Temporal Prediction of Continuous Disease Trajectories and Treatment Effects Using Neural SDEs [6.5527554277858275]
  神経差分方程式(NSDE)による疾患進行の持続的時間的進化をモデル化するための最初の因果時間的枠組みを提示する。 本研究は,将来のMS障害(EDSSなど)と治療効果を正確に予測するための,不確実性に基づく因果学習(DL)モデルとして,最初の成功例を示す。
  論文  参考訳（メタデータ） (2024-06-18T17:22:55Z)
• Accounting For Informative Sampling When Learning to Forecast Treatment Outcomes Over Time [66.08455276899578]
  適切な基準を満たさない場合,情報サンプリングは治療結果の正確な推定を禁止できることが示唆された。 逆強度重み付けを用いた情報サンプリングの存在下での処理結果を学習するための一般的な枠組みを提案する。 本稿では,ニューラルCDEを用いてこのフレームワークをインスタンス化する新しい手法であるTESAR-CDEを提案する。
  論文  参考訳（メタデータ） (2023-06-07T08:51:06Z)
• SCouT: Synthetic Counterfactuals via Spatiotemporal Transformers for Actionable Healthcare [6.431557011732579]
  合成制御法は、ドナーユニットからユニットの対実的現実を推定する強力なデータ駆動手法のクラスを開拓した。 中心となる技術は、ドナーの結果を結合して偽物を生成する、事前介入期間に適合した線形モデルである。 提案手法は,介入の開始前における局所的時間的情報の利用を,事象列を推定する有望な方法として提案する。
  論文  参考訳（メタデータ） (2022-07-09T07:00:17Z)
• Disentangled Counterfactual Recurrent Networks for Treatment Effect Inference over Time [71.30985926640659]
  本稿では,DCRN(Disentangled Counterfactual Recurrent Network)を提案する。 時間とともに治療効果の因果構造に完全にインスパイアされたアーキテクチャでは、予測精度と疾患理解が向上する。 実データとシミュレーションデータの両方において,DCRNが処理応答予測の最先端手法より優れていることを示す。
  論文  参考訳（メタデータ） (2021-12-07T16:40:28Z)
• Synthesizing time-series wound prognosis factors from electronic medical records using generative adversarial networks [0.0]
  創傷予後因子を合成するためにgans(time series medical generative adversarial networks)を開発した。 条件付きトレーニング戦略は, 癒しや非癒しの観点から, 訓練の強化と分類データの生成に活用された。
  論文  参考訳（メタデータ） (2021-05-03T20:26:48Z)
• Trajectories, bifurcations and pseudotime in large clinical datasets: applications to myocardial infarction and diabetes data [94.37521840642141]
  混合データ型と欠落値を特徴とする大規模臨床データセット分析のための半教師付き方法論を提案する。 この手法は、次元の減少、データの可視化、クラスタリング、特徴の選択と、部分的に順序付けられた観測列における測地距離(擬時)の定量化のタスクを同時に扱うことのできる弾性主グラフの適用に基づいている。
  論文  参考訳（メタデータ） (2020-07-07T21:04:55Z)
• Integrating Physiological Time Series and Clinical Notes with Deep Learning for Improved ICU Mortality Prediction [21.919977518774015]
  本研究では,生理学的時系列データと臨床記録を統合的死亡予測モデルに統合する方法について検討する。 以上の結果より, 個別のモーダルを単独で使用した場合よりも, 予測精度が統計的に有意に向上することが示唆された。
  論文  参考訳（メタデータ） (2020-03-24T18:25:49Z)
• Estimating Counterfactual Treatment Outcomes over Time Through Adversarially Balanced Representations [114.16762407465427]
  時間とともに治療効果を推定するためにCRN(Counterfactual Recurrent Network)を導入する。 CRNは、患者履歴のバランスの取れた表現を構築するために、ドメイン敵のトレーニングを使用する。 本モデルでは, 正解率の予測と適切な治療時期の選択において, 誤差の低減を図っている。
  論文  参考訳（メタデータ） (2020-02-10T20:47:36Z)

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。