論文の概要: Causal Hidden Markov Model for Time Series Disease Forecasting

• arxiv url: http://arxiv.org/abs/2103.16391v1
• Date: Tue, 30 Mar 2021 14:34:15 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-31 14:51:54.303899
• Title: Causal Hidden Markov Model for Time Series Disease Forecasting
• Title（参考訳）: 時系列疾患予測のための因果隠れマルコフモデル
• Authors: Jing Li, Botong Wu, Xinwei Sun, Yizhou Wang
• Abstract要約: 早期に非可逆性疾患のロバストな予測を実現するために,因果的隠れマルコフモデルを提案する。 本モデルは,乳頭萎縮の早期予測に応用し,アウトオブディストリビューションテストデータで有望な結果を得た。
• 参考スコア（独自算出の注目度）: 21.10268531186633
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose a causal hidden Markov model to achieve robust prediction of irreversible disease at an early stage, which is safety-critical and vital for medical treatment in early stages. Specifically, we introduce the hidden variables which propagate to generate medical data at each time step. To avoid learning spurious correlation (e.g., confounding bias), we explicitly separate these hidden variables into three parts: a) the disease (clinical)-related part; b) the disease (non-clinical)-related part; c) others, with only a),b) causally related to the disease however c) may contain spurious correlations (with the disease) inherited from the data provided. With personal attributes and the disease label respectively provided as side information and supervision, we prove that these disease-related hidden variables can be disentangled from others, implying the avoidance of spurious correlation for generalization to medical data from other (out-of-) distributions. Guaranteed by this result, we propose a sequential variational auto-encoder with a reformulated objective function. We apply our model to the early prediction of peripapillary atrophy and achieve promising results on out-of-distribution test data. Further, the ablation study empirically shows the effectiveness of each component in our method. And the visualization shows the accurate identification of lesion regions from others.
• Abstract（参考訳）: そこで本研究では, 早期に非可逆性疾患のロバストな予測を実現するための因果的隠れマルコフモデルを提案する。 具体的には,各段階で医療データを生成するために伝播する隠れ変数を紹介する。 a) 疾患(臨床)関連部分、b) 疾患(非臨床)関連部分、c) 疾患と因果関係のある部分、b) 疾患に因果関係のある部分(c) は、提供されたデータから引き継がれた部分(と疾患)を含んでいる可能性がある。 個人属性と病名ラベルをそれぞれ副次情報と監視として提供することにより,これらの疾患に関連する隠れ変数が他者から切り離され,他の(アウトオブオブオブオブオブ)分布からの医療データへの急激な相関が回避されることを示す。 そこで本研究では,目的関数を改良した逐次変分自動エンコーダを提案する。 本モデルは,乳頭萎縮の早期予測に応用し,アウトオブディストリビューションテストデータで有望な結果を得た。 さらに, アブレーション研究は, 本手法における各成分の有効性を実証的に示す。 可視化は、他の病変領域の正確な識別を示す。

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)
• Conditional Score-Based Diffusion Model for Cortical Thickness Trajectory Prediction [29.415616701032604]
  アルツハイマー病(英: Alzheimer's Disease、AD)は、個人間での進行率の多様性を特徴とする神経変性疾患である。 与えられたベースライン情報を用いてCThトラジェクトリを生成する条件付きスコアベース拡散モデルを提案する。 本モデルでは6～36ヶ月のCThに比べて95%間隔が狭いほぼゼロバイアスを有する。
  論文  参考訳（メタデータ） (2024-03-11T17:26:18Z)
• Identifiability Guarantees for Causal Disentanglement from Soft Interventions [26.435199501882806]
  因果解離は因果モデルを通して相互に関係する潜伏変数を用いてデータの表現を明らかにすることを目的としている。 本稿では,各介入が潜伏変数のメカニズムを変えることにより,未ペアの観測データと介入データが利用可能となるシナリオに焦点を当てる。 因果変数が完全に観測されると、忠実性の仮定の下で因果モデルを特定するために統計的に一貫したアルゴリズムが開発された。
  論文  参考訳（メタデータ） (2023-07-12T15:39:39Z)
• Nonparametric Identifiability of Causal Representations from Unknown Interventions [63.1354734978244]
  本研究では, 因果表現学習, 潜伏因果変数を推定するタスク, およびそれらの変数の混合から因果関係を考察する。 我々のゴールは、根底にある真理潜入者とその因果グラフの両方を、介入データから解決不可能なあいまいさの集合まで識別することである。
  論文  参考訳（メタデータ） (2023-06-01T10:51:58Z)
• Domain Invariant Model with Graph Convolutional Network for Mammogram Classification [49.691629817104925]
  グラフ畳み込みネットワークを用いたドメイン不変モデル(DIM-GCN)を提案する。 まず,潜伏変数を病原性その他の疾患関連部位に明示的に分解するベイズネットワークを提案する。 マクロな特徴をよりよく捉えるために、我々は、GCN(Graph Convolutional Network)を介して、観察された臨床特性を再構築の目的として活用する。
  論文  参考訳（メタデータ） (2022-04-21T08:23:44Z)
• Correlation-based Discovery of Disease Patterns for Syndromic Surveillance [0.0]
  シナドロミック監視は 早期の症状の 検出を目的としてる 早期症状は通常多くの疾患で共有され、特定の疾患は感染の初期段階にいくつかの臨床像を持つことがある。 歴史的データからそのようなパターンを発見するための,新しい,データ駆動型アプローチを提案する。
  論文  参考訳（メタデータ） (2021-10-18T11:50:26Z)
• Clustering Left-Censored Multivariate Time-Series [2.4493299476776778]
  クラスタリング作業における左検閲の干渉を軽減することに注力する。 検閲時間を補正しながらクラスタリングする時系列データの深い生成的連続時間モデルを開発する。 合成データに正確、安定、かつ解釈可能な結果を示します。
  論文  参考訳（メタデータ） (2021-02-13T21:22:40Z)
• Latent Causal Invariant Model [128.7508609492542]
  現在の教師付き学習は、データ適合プロセス中に急激な相関を学習することができる。 因果予測を求める潜在因果不変モデル(LaCIM)を提案する。
  論文  参考訳（メタデータ） (2020-11-04T10:00:27Z)
• Predictive Modeling of ICU Healthcare-Associated Infections from Imbalanced Data. Using Ensembles and a Clustering-Based Undersampling Approach [55.41644538483948]
  本研究は,集中治療室における危険因子の同定と医療関連感染症の予測に焦点をあてる。 感染発生率の低減に向けた意思決定を支援することを目的とする。
  論文  参考訳（メタデータ） (2020-05-07T16:13:12Z)
• Dynamic Graph Correlation Learning for Disease Diagnosis with Incomplete Labels [66.57101219176275]
  胸部X線画像上の疾患診断は,多ラベル分類の課題である。 本稿では,異なる疾患間の相互依存を調査する新たな視点を提示する病的診断グラフ畳み込みネットワーク(DD-GCN)を提案する。 本手法は,相関学習のための動的隣接行列を用いた特徴写像上のグラフを初めて構築する手法である。
  論文  参考訳（メタデータ） (2020-02-26T17:10:48Z)

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。