論文の概要: Compensating trajectory bias for unsupervised patient stratification using adversarial recurrent neural networks

• arxiv url: http://arxiv.org/abs/2112.07239v1
• Date: Tue, 14 Dec 2021 09:01:28 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-15 17:03:10.564801
• Title: Compensating trajectory bias for unsupervised patient stratification using adversarial recurrent neural networks
• Title（参考訳）: 逆向リカレントニューラルネットワークを用いた教師なし患者の階層化に対する補償軌道バイアス
• Authors: Avelino Javer, Owen Parsons, Oliver Carr, Janie Baxter, Christian Diedrich, Eren El\c{c}i, Steffen Schaper, Katrin Coboeken, Robert D\"urichen
• Abstract要約: 患者埋め込みやクラスタは,軌道バイアスの影響を受けやすい可能性が示唆された。 結果は、臨床的に関係のある詳細ではなく、各患者の軌跡に含まれるデータ量に支配される。 本稿では,RNN-AE上での逆トレーニング手法を用いてこの問題を克服する手法を提案する。
• 参考スコア（独自算出の注目度）: 0.6323908398583082
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Electronic healthcare records are an important source of information which can be used in patient stratification to discover novel disease phenotypes. However, they can be challenging to work with as data is often sparse and irregularly sampled. One approach to solve these limitations is learning dense embeddings that represent individual patient trajectories using a recurrent neural network autoencoder (RNN-AE). This process can be susceptible to unwanted data biases. We show that patient embeddings and clusters using previously proposed RNN-AE models might be impacted by a trajectory bias, meaning that results are dominated by the amount of data contained in each patients trajectory, instead of clinically relevant details. We investigate this bias on 2 datasets (from different hospitals) and 2 disease areas as well as using different parts of the patient trajectory. Our results using 2 previously published baseline methods indicate a particularly strong bias in case of an event-to-end trajectory. We present a method that can overcome this issue using an adversarial training scheme on top of a RNN-AE. Our results show that our approach can reduce the trajectory bias in all cases.
• Abstract（参考訳）: 電子医療記録は、新規疾患の表現型を発見するために患者層化に使用できる重要な情報源である。 しかし、データはスパースで不規則にサンプリングされることが多いため、扱いが難しい場合がある。 これらの制限を解決する1つのアプローチは、リカレントニューラルネットワークオートエンコーダ(RNN-AE)を使用して、個々の患者の軌跡を表す密度の高い埋め込みを学ぶことである。 このプロセスは不要なデータバイアスに影響を受けやすい。 従来提案されていたrnn-aeモデルを用いた埋め込みおよびクラスタは, 軌跡バイアスによって影響される可能性があり, 臨床に関係のある詳細情報ではなく, それぞれの軌跡に含まれるデータ量に支配されることが示唆された。 このバイアスは, 患者軌跡の異なる部分を用いて, 2つのデータセット(異なる病院から)と2つの疾患領域について検討した。 これまでに2つのベースライン法を用いて行った結果,イベント・ツー・エンドの軌道に特に強いバイアスが認められた。 本稿では,RNN-AE上での逆トレーニング手法を用いてこの問題を克服する手法を提案する。 その結果,すべてのケースにおいて軌道バイアスを低減できることがわかった。

関連論文リスト

• Self-Supervised Mental Disorder Classifiers via Time Reversal [0.0]
  機能的ニューロイメージングデータの時間方向で訓練されたモデルが、下流のタスクに役立つことを実証した。 我々は、独立成分分析(ICA)技術を用いて、fMRIデータから派生した独立成分のディープニューラルネットワークを訓練する。 学習時間方向はfMRIデータにおける因果関係の学習に役立ち、より高速な収束に役立つことを示す。
  論文  参考訳（メタデータ） (2022-11-29T17:24:43Z)
• Discovering Invariant Rationales for Graph Neural Networks [104.61908788639052]
  グラフニューラルネットワーク(GNN)の固有の解釈可能性とは、入力グラフの特徴の小さなサブセットを見つけることである。 本稿では,本質的に解釈可能なGNNを構築するために,不変理性(DIR)を発見するための新しい戦略を提案する。
  論文  参考訳（メタデータ） (2022-01-30T16:43:40Z)
• Stroke recovery phenotyping through network trajectory approaches and graph neural networks [0.966840768820136]
  トラジェクトリプロファイルクラスタリング (TPC) 法を用いて, NINDS tPAトライアルのデータを分析し, 異なる脳卒中回復パターンを同定する。 臨床的に関連のある脳卒中症候群と一致した3つの異なる脳卒中軌跡について検討した。
  論文  参考訳（メタデータ） (2021-09-29T18:46:08Z)
• TRAPDOOR: Repurposing backdoors to detect dataset bias in machine learning-based genomic analysis [15.483078145498085]
  データセット内のグループの下位表現は、特定のグループの不正確な予測につながる可能性があるため、システム的識別問題を悪化させる可能性がある。 本稿では,ニューラルネットワークのバックドアであるTRAPDOORを提案する。 実世界のがんデータセットを用いて、すでに白人個人に対して存在するバイアスでデータセットを分析し、データセットにバイアスを人工的に導入する。
  論文  参考訳（メタデータ） (2021-08-14T17:02:02Z)
• Categorical EHR Imputation with Generative Adversarial Nets [11.171712535005357]
  本稿では,データ計算のためのGANに関する従来の研究を基にした,シンプルで効果的な手法を提案する。 従来のデータ計算手法に比べて予測精度が大幅に向上していることを示す。
  論文  参考訳（メタデータ） (2021-08-03T18:50:26Z)
• Imputation-Free Learning from Incomplete Observations [73.15386629370111]
  本稿では,不備な値を含む入力からの推論をインプットなしでトレーニングするIGSGD法の重要性について紹介する。 バックプロパゲーションによるモデルのトレーニングに使用する勾配の調整には強化学習(RL)を用いる。 我々の計算自由予測は、最先端の計算手法を用いて従来の2段階の計算自由予測よりも優れている。
  論文  参考訳（メタデータ） (2021-07-05T12:44:39Z)
• 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)
• Convolutional Neural Networks for Sleep Stage Scoring on a Two-Channel EEG Signal [63.18666008322476]
  睡眠障害は、世界中の主要な病気の1つです。 専門家が使用する基本的なツールはPolysomnogramで、睡眠中に記録された様々な信号の集合である。 専門家は、標準的なガイドラインの1つに従って異なる信号を採点する必要があります。
  論文  参考訳（メタデータ） (2021-03-30T09:59:56Z)
• An anatomically-informed 3D CNN for brain aneurysm classification with weak labels [0.2010294990327175]
  弱いラベルを持つパッチワイドバイナリ分類として脳動脈瘤検出の課題に対処する。 当社のアプローチは,データセット生成の非自明な課題に端を発しています。 本稿では,マルチスケール・マルチインプット3D畳み込みニューラルネットワークを用いた新しい解剖学的手法を提案する。
  論文  参考訳（メタデータ） (2020-11-27T08:00:54Z)
• DeepRite: Deep Recurrent Inverse TreatmEnt Weighting for Adjusting Time-varying Confounding in Modern Longitudinal Observational Data [68.29870617697532]
  時系列データにおける時間変化の相違に対するDeep Recurrent Inverse TreatmEnt重み付け(DeepRite)を提案する。 DeepRiteは、合成データから基底的真理を復元し、実際のデータから偏りのない処理効果を推定する。
  論文  参考訳（メタデータ） (2020-10-28T15:05:08Z)
• Learning from Failure: Training Debiased Classifier from Biased Classifier [76.52804102765931]
  ニューラルネットワークは、所望の知識よりも学習が簡単である場合にのみ、素早い相関に依存することを学習していることを示す。 本稿では,一対のニューラルネットワークを同時にトレーニングすることで,障害に基づくデバイアス化手法を提案する。 本手法は,合成データセットと実世界のデータセットの両方において,各種バイアスに対するネットワークのトレーニングを大幅に改善する。
  論文  参考訳（メタデータ） (2020-07-06T07:20:29Z)

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。