論文の概要: SurvTRACE: Transformers for Survival Analysis with Competing Events
- arxiv url: http://arxiv.org/abs/2110.00855v1
- Date: Sat, 2 Oct 2021 17:46:26 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-06 10:00:45.029293
- Title: SurvTRACE: Transformers for Survival Analysis with Competing Events
- Title（参考訳）: SurvTRACE: 競合イベントによる生存分析用トランスフォーマー
- Authors: Zifeng Wang, Jimeng Sun
- Abstract要約: 医学において、生存分析は死亡などの興味のある事象の期間を研究する。
最大の課題は、複数の競合するイベントを扱う方法だ。
本稿では,基礎となる生存分布を仮定しない変圧器モデルを提案する。
- 参考スコア（独自算出の注目度）: 37.66291997350568
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In medicine, survival analysis studies the time duration to events of
interest such as mortality. One major challenge is how to deal with multiple
competing events (e.g., multiple disease diagnoses). In this work, we propose a
transformer-based model that does not make the assumption for the underlying
survival distribution and is capable of handling competing events, namely
SurvTRACE. We account for the implicit \emph{confounders} in the observational
setting in multi-events scenarios, which causes selection bias as the predicted
survival probability is influenced by irrelevant factors. To sufficiently
utilize the survival data to train transformers from scratch, multiple
auxiliary tasks are designed for multi-task learning. The model hence learns a
strong shared representation from all these tasks and in turn serves for better
survival analysis. We further demonstrate how to inspect the covariate
relevance and importance through interpretable attention mechanisms of
SurvTRACE, which suffices to great potential in enhancing clinical trial design
and new treatment development. Experiments on METABRIC, SUPPORT, and SEER data
with 470k patients validate the all-around superiority of our method.
- Abstract（参考訳）: 医学において、生存分析は死亡などの興味のある事象の期間を研究する。
ひとつの大きな課題は、複数の競合イベント(例えば、複数の疾患の診断)に対処する方法である。
本研究では,基礎となるサバイバル分布を仮定せず,競合するイベント,すなわちsurvtraceを処理可能なトランスフォーマティブモデルを提案する。
予測生存確率が無関係な要因によって影響を受けるため,多事象シナリオにおける観測環境における暗黙の \emph{confounders} は選択バイアスを引き起こす。
スクラッチからトランスフォーマーを訓練するために、生存データを十分に活用するために、マルチタスク学習用に複数の補助タスクを設計する。
したがって、モデルはこれらのタスクから強力な共有表現を学び、その結果、より良い生存分析に役立つ。
さらに,SurvTRACEの解釈的注意機構を通じて,臨床治験設計の強化と新たな治療開発に大きな可能性をもたらす共変量関係と重要性の検査方法を示す。
470kの患者を対象にMetaBRIC, Support, SEERデータを用いた実験を行い, 本法の有効性を検証した。
関連論文リスト
- HACSurv: A Hierarchical Copula-based Approach for Survival Analysis with Dependent Competing Risks [51.95824566163554]
HACSurvは、競合するリスクを持つデータから構造や原因特異的生存関数を学習する生存分析手法である。
リスクと検閲の間の依存関係をキャプチャすることで、HACSurvはより良い生存予測を実現する。
論文 参考訳（メタデータ） (2024-10-19T18:52:18Z) - MENSA: A Multi-Event Network for Survival Analysis under Informative Censoring [4.0913802846346625]
マルチイベントサバイバル分析のための新しい深層学習手法であるMENSAを紹介する。
筋萎縮性側索硬化症(ALS)患者の身体機能低下までの時間予測の問題点を考察する。
提案手法はL1-Margin損失が278.8日であるのに対し,各イベントを別々にモデル化する場合は355.2日である。
論文 参考訳（メタデータ） (2024-09-10T14:02:34Z) - Interpretable Survival Analysis for Heart Failure Risk Prediction [50.64739292687567]
現状の生存モデルと解釈可能かつ競合する新しい生存分析パイプラインを提案する。
我々のパイプラインは最先端のパフォーマンスを達成し、心不全のリスク要因に関する興味深い新しい洞察を提供する。
論文 参考訳（メタデータ） (2023-10-24T02:56:05Z) - Multi-Source Survival Domain Adaptation [11.57423546614283]
そこで我々は,新たな生存基準と生存分布の相違尺度を導入する。
2つのがんデータセットに対する実験により、標的領域における最高性能、より良い治療勧告、そして、説明可能な重み行列が明らかにされた。
論文 参考訳（メタデータ） (2022-12-01T10:55:22Z) - Dynamic Survival Transformers for Causal Inference with Electronic
Health Records [19.89643522713678]
電子カルテをトレーニングする深層生存モデルであるDynamic Survival Transformer (DynST)を紹介した。
我々はMIMIC-IIIから半合成EHRデータセットを抽出し、DynSTが治療介入の因果効果を正確に推定できることを示す。
論文 参考訳（メタデータ） (2022-10-25T18:17:46Z) - Multi-Omic Data Integration and Feature Selection for Survival-based
Patient Stratification via Supervised Concrete Autoencoders [4.846870511582627]
生存型マルチオミック統合のためのSupervised Autoencoderモデルを開発した。
本報告では, 特徴選択を用いたコンクリート監督オートエンコーダモデル (CSAE) について報告する。
我々の実験は、我々のモデルが最もよく使われているベースラインよりも優れているか、あるいは同等であることを示している。
論文 参考訳（メタデータ） (2022-06-21T19:44:08Z) - 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) - Enabling Counterfactual Survival Analysis with Balanced Representations [64.17342727357618]
生存データは様々な医学的応用、すなわち薬物開発、リスクプロファイリング、臨床試験で頻繁に見られる。
本稿では,生存結果に適用可能な対実的推論のための理論的基盤を持つ統一的枠組みを提案する。
論文 参考訳（メタデータ） (2020-06-14T01:15:00Z) - 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。