論文の概要: EPIC-Survival: End-to-end Part Inferred Clustering for Survival
Analysis, Featuring Prognostic Stratification Boosting
- arxiv url: http://arxiv.org/abs/2101.11085v2
- Date: Thu, 28 Jan 2021 21:30:38 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-14 01:30:41.615013
- Title: EPIC-Survival: End-to-end Part Inferred Clustering for Survival
Analysis, Featuring Prognostic Stratification Boosting
- Title（参考訳）: EPIC-Survival: end-to-end Part Inferred Clustering for Survival Analysis, Featuring Prognostic Stratification Boosting
- Authors: Hassan Muhammad, Chensu Xie, Carlie S. Sigel, Michael Doukas, Lindsay
Alpert, and Thomas J. Fuchs
- Abstract要約: epic-survival bridgeは、エンドツーエンドサバイバルモデリングアプローチにエンコードし、集約する。
肝内胆管癌のモデルとしてEPIC-Survivalが有用であった。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Histopathology-based survival modelling has two major hurdles. Firstly, a
well-performing survival model has minimal clinical application if it does not
contribute to the stratification of a cancer patient cohort into different risk
groups, preferably driven by histologic morphologies. In the clinical setting,
individuals are not given specific prognostic predictions, but are rather
predicted to lie within a risk group which has a general survival trend. Thus,
It is imperative that a survival model produces well-stratified risk groups.
Secondly, until now, survival modelling was done in a two-stage approach
(encoding and aggregation). The massive amount of pixels in digitized whole
slide images were never utilized to their fullest extent due to technological
constraints on data processing, forcing decoupled learning. EPIC-Survival
bridges encoding and aggregation into an end-to-end survival modelling
approach, while introducing stratification boosting to encourage the model to
not only optimize ranking, but also to discriminate between risk groups. In
this study we show that EPIC-Survival performs better than other approaches in
modelling intrahepatic cholangiocarcinoma, a historically difficult cancer to
model. Further, we show that stratification boosting improves further improves
model performance, resulting in a concordance-index of 0.880 on a held-out test
set. Finally, we were able to identify specific histologic differences, not
commonly sought out in ICC, between low and high risk groups.
- Abstract（参考訳）: 組織病理に基づく生存モデルには2つの大きなハードルがある。
第一に、がん患者コホートが異なるリスクグループに成層化に寄与しない場合、好ましくは組織学的形態によって誘導される場合、良好な生存モデルが最小限の臨床応用を有する。
臨床環境では、個人は特定の予後予測を与えられるのではなく、一般的な生存傾向を持つリスクグループ内にあると予測される。
したがって、生存モデルが十分にストラティファイドされたリスクグループを生成することは不可欠です。
第二に、これまで生存モデリングは、2段階のアプローチ(エンコーディングとアグリゲーション)で行われていました。
デジタル化されたスライド画像中の大量のピクセルは、データ処理の技術的制約のために最大限に活用されることはなかった。
EPIC-Survival Bridges encoding and aggregate into a end-to-endvivment modelling approach, while introduced Stratification boosting to the model to encourage the top top, and to discrimination between risk group。
本研究では、肝内胆管癌のモデル化においてEPIC-Survivalが他のアプローチよりも優れていることを示した。
さらに、成層化促進はモデル性能をさらに改善し、ホールドアウトテストセットで0.880の整合インデクスをもたらすことを示した。
また,ICCでは,低リスク群と高リスク群では,特に組織学的差異は認められなかった。
関連論文リスト
- Predicting Deterioration in Mild Cognitive Impairment with Survival Transformers, Extreme Gradient Boosting and Cox Proportional Hazard Modelling [0.08399688944263844]
本稿では,認知の劣化を予測するために,サバイバル・トランスフォーマーの新たなアプローチと極勾配促進モデルを提案する。
提案手法は、アルツハイマー認知症における早期発見と介入をより正確にするためのこれらの手法の可能性を強調している。
論文 参考訳（メタデータ） (2024-09-24T16:49:43Z) - A Multimodal Object-level Contrast Learning Method for Cancer Survival Risk Prediction [9.005219442274344]
コンピュータ支援によるがん生存予測は、患者のタイムリーな治療において重要な役割を担っている。
がん生存リスク予測のための新しいトレーニング手法であるマルチモーダルオブジェクトレベルのコントラスト学習を提案する。
提案手法により訓練された生存リスク予測器は、2つの公共マルチモーダル癌データセット上で最先端の手法より優れている。
論文 参考訳（メタデータ） (2024-09-03T07:36:34Z) - Comparison of static and dynamic random forests models for EHR data in the presence of competing risks: predicting central line-associated bloodstream infection [2.202802833281752]
病院の入院に関する予後の結果は、一般的に検閲に苦しめられず、分類的にも時間的にもモデル化できる。
本研究は無作為林(RF)モデルを用いて中央線関連血液ストリーム感染症(CLABSI)の発症リスクを予測した。
論文 参考訳（メタデータ） (2024-04-24T18:31:48Z) - Deep Neural Networks integrating genomics and histopathological images
for predicting stages and survival time-to-event in colon cancer [2.338833859812519]
大腸癌ステージ分類のためのアンサンブルディープニューラルネットワークを構築し,低リスク生存群と高リスク生存群に分類した。
Ensemble Deep Conal Neural Networkモデルの結果は、統合データセットのステージ分類におけるパフォーマンスが改善されたことを示している。
2548個の融合した特徴のうち、1695個の特徴は抽出された特徴によって定義された2つのリスク群間で統計的に有意な生存確率差を示した。
論文 参考訳（メタデータ） (2022-12-13T16:12:45Z) - Learning Clinical Concepts for Predicting Risk of Progression to Severe
COVID-19 [17.781861866125023]
大手医療機関のデータを用いて、重度の新型コロナウイルスの進行を予測する生存モデルを開発する。
i) 利用可能なすべての特徴から構築された制約のないモデル,(ii) リスク予測器を訓練する前に少数の臨床概念を学習するパイプラインである。
論文 参考訳（メタデータ） (2022-08-28T02:59:35Z) - FastCPH: Efficient Survival Analysis for Neural Networks [57.03275837523063]
我々は,線形時間で動作する新しい手法であるFastCPHを提案し,連結イベントに対する標準的なBreslow法とEfron法の両方をサポートする。
また,FastCPHとLassoNetの併用による特徴空間の解釈性も実証した。
論文 参考訳（メタデータ） (2022-08-21T03:35:29Z) - 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) - A Twin Neural Model for Uplift [59.38563723706796]
Upliftは条件付き治療効果モデリングの特定のケースです。
相対リスクのベイズ解釈との関連性を利用して定義した新たな損失関数を提案する。
本提案手法は,シミュレーション設定の最先端と大規模ランダム化実験による実データとの競合性を示す。
論文 参考訳（メタデータ） (2021-05-11T16:02:39Z) - Bootstrapping Your Own Positive Sample: Contrastive Learning With
Electronic Health Record Data [62.29031007761901]
本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。
EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。
私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
論文 参考訳（メタデータ） (2021-04-07T06:02:04Z) - Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for
Thoracic Disease Identification [83.6017225363714]
ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。
胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。
本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
論文 参考訳（メタデータ） (2021-02-26T02:29:30Z) - 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)
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。