論文の概要: Survival-oriented embeddings for improving accessibility to complex data structures

• arxiv url: http://arxiv.org/abs/2110.11303v1
• Date: Thu, 21 Oct 2021 17:38:08 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-22 18:56:22.821027
• Title: Survival-oriented embeddings for improving accessibility to complex data structures
• Title（参考訳）: 複合データ構造へのアクセシビリティ向上のための生存指向埋め込み
• Authors: Tobias Weber, Michael Ingrisch, Matthias Fabritius, Bernd Bischl, David R\"ugamer
• Abstract要約: 本稿では、生存分析の文脈における深層ニューラルネットワークの直接解釈を支援するハザード規則化変分オートエンコーダを提案する。 肝腫瘍患者の腹部CT検査と生存時間について検討した。
• 参考スコア（独自算出の注目度）: 2.1847940931069605
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep learning excels in the analysis of unstructured data and recent advancements allow to extend these techniques to survival analysis. In the context of clinical radiology, this enables, e.g., to relate unstructured volumetric images to a risk score or a prognosis of life expectancy and support clinical decision making. Medical applications are, however, associated with high criticality and consequently, neither medical personnel nor patients do usually accept black box models as reason or basis for decisions. Apart from averseness to new technologies, this is due to missing interpretability, transparency and accountability of many machine learning methods. We propose a hazard-regularized variational autoencoder that supports straightforward interpretation of deep neural architectures in the context of survival analysis, a field highly relevant in healthcare. We apply the proposed approach to abdominal CT scans of patients with liver tumors and their corresponding survival times.
• Abstract（参考訳）: 深層学習は非構造化データの解析に優れ、最近の進歩によりこれらの技術は生存分析にまで拡張できる。 臨床放射線学の文脈では、例えば、非構造化ボリューム画像とリスクスコアや平均寿命の予後を関連付け、臨床意思決定を支援することができる。 しかし、医療応用は高い批判に結びついているので、医療従事者も患者も通常、意思決定の理由や根拠としてブラックボックスモデルを受け入れない。 新しい技術への逆性とは別に、これは多くの機械学習手法の解釈可能性、透明性、説明責任が欠けているためである。 そこで本研究では,医療分野のサバイバル分析の文脈において,ディープニューラルアーキテクチャの分かりやすい解釈を支援する,ハザードレギュラライズド変分オートエンコーダを提案する。 肝腫瘍患者の腹部CT検査と生存時間について検討した。

関連論文リスト

• Deep learning methods for drug response prediction in cancer: predominant and emerging trends [50.281853616905416]
  がんを研究・治療するための計算予測モデルをエクスプロイトすることは、薬物開発の改善と治療計画のパーソナライズドデザインにおいて大きな可能性を秘めている。 最近の研究の波は、ディープラーニング手法を用いて、薬物治療に対するがん反応を予測するという有望な結果を示している。 このレビューは、この分野の現状をよりよく理解し、主要な課題と将来性のあるソリューションパスを特定します。
  論文  参考訳（メタデータ） (2022-11-18T03:26:31Z)
• What do Deep Neural Networks Learn in Medical Images? [0.0]
  本稿では,適応経路に基づく勾配積分手法を用いた新しい帰属フレームワークを提案する。 結果は、医療の成果を改善するためにドメインエキスパートへの信頼を構築するという有望な方向性を示している。
  論文  参考訳（メタデータ） (2022-08-01T16:05:14Z)
• Optimal discharge of patients from intensive care via a data-driven policy learning framework [58.720142291102135]
  退院課題は、退院期間の短縮と退院決定後の退院や死亡のリスクとの不確実なトレードオフに対処することが重要である。 本研究は、このトレードオフを捉えるためのエンドツーエンドの汎用フレームワークを導入し、最適放電タイミング決定を推奨する。 データ駆動型アプローチは、患者の生理的状態を捉えた同種で離散的な状態空間表現を導出するために用いられる。
  論文  参考訳（メタデータ） (2021-12-17T04:39:33Z)
• Fair Conformal Predictors for Applications in Medical Imaging [4.236384785644418]
  コンフォーマルな手法は、モデル不確実性を臨床的に直感的に表現する方法を提供することで、ディープラーニングモデルを補完することができる。 マンモグラフィー乳房密度と皮膚写真データセットを用いて実験を行い, コンフォメーション予測の有用性を実証した。 コンフォメーション予測器は, 人種や肌の色調などの患者層に対して, カバー範囲の等化に有効であることがわかった。
  論文  参考訳（メタデータ） (2021-09-09T16:31:10Z)
• The Medkit-Learn(ing) Environment: Medical Decision Modelling through Simulation [81.72197368690031]
  医用シーケンシャルな意思決定に特化して設計された新しいベンチマークスイートを提案する。 Medkit-Learn(ing) Environmentは、高忠実度合成医療データに簡単かつ簡単にアクセスできるPythonパッケージである。
  論文  参考訳（メタデータ） (2021-06-08T10:38:09Z)
• DeepProg: A Transformer-based Framework for Predicting Disease Prognosis [19.673447448533743]
  本稿では,一対多のシーケンス予測問題として,予後予測タスクを定式化する。 放射線医と一般開業医の2人のエージェントによる臨床意思決定プロセスに触発され,汎用的なエンドツーエンドトランスフォーマーベースのフレームワークを提案する。 本手法の有効性と妥当性は,膝関節の構造的骨関節変化の進展を予測するために,合成データ上に示される。
  論文  参考訳（メタデータ） (2021-04-08T09:53:18Z)
• 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)
• Clinical Outcome Prediction from Admission Notes using Self-Supervised Knowledge Integration [55.88616573143478]
  臨床テキストからのアウトカム予測は、医師が潜在的なリスクを見落としないようにする。 退院時の診断,手術手順,院内死亡率,長期予測は4つの一般的な結果予測対象である。 複数の公開資料から得られた患者結果に関する知識を統合するために,臨床結果の事前学習を提案する。
  論文  参考訳（メタデータ） (2021-02-08T10:26:44Z)
• Unifying Cardiovascular Modelling with Deep Reinforcement Learning for Uncertainty Aware Control of Sepsis Treatment [0.2399911126932526]
  血管抑制剤および流動管理のための作戦で普遍的に合意がありません。 セプシスはICUの主要な死亡原因であり、すべての入院の6%と米国の病院内死亡の35%を担当しています。 本稿では,数学モデリング,深層学習,強化学習,不確実性定量化の補完的強みを活用し,統一する新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-01-21T07:32:02Z)
• Explaining Clinical Decision Support Systems in Medical Imaging using Cycle-Consistent Activation Maximization [112.2628296775395]
  ディープニューラルネットワークを用いた臨床意思決定支援は、着実に関心が高まりつつあるトピックとなっている。 臨床医は、その根底にある意思決定プロセスが不透明で理解しにくいため、この技術の採用をためらうことが多い。 そこで我々は,より小さなデータセットであっても,分類器決定の高品質な可視化を生成するCycleGANアクティベーションに基づく,新たな意思決定手法を提案する。
  論文  参考訳（メタデータ） (2020-10-09T14:39:27Z)

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。