論文の概要: Multiple Domain Causal Networks

• arxiv url: http://arxiv.org/abs/2205.06791v1
• Date: Fri, 13 May 2022 17:29:18 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-16 13:01:17.586714
• Title: Multiple Domain Causal Networks
• Title（参考訳）: 複数のドメイン因果ネットワーク
• Authors: Tianhui Zhou, William E. Carson IV, Michael Hunter Klein, David Carlson
• Abstract要約: 治療効果を推定するための既存の手法は、マルチセンタのコンテキストに適切に対応していない。 治療効果を推定するための従来のアプローチは、マルチセンター設計に直接一般化するものではない。 我々は、類似のセンター間での情報共有を同時に強化するアプローチであるMultiple Domain Causal Networks (MDCN)を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Observational studies are regarded as economic alternatives to randomized trials, often used in their stead to investigate and determine treatment efficacy. Due to lack of sample size, observational studies commonly combine data from multiple sources or different sites/centers. Despite the benefits of an increased sample size, a naive combination of multicenter data may result in incongruities stemming from center-specific protocols for generating cohorts or reactions towards treatments distinct to a given center, among other things. These issues arise in a variety of other contexts, including capturing a treatment effect related to an individual's unique biological characteristics. Existing methods for estimating heterogeneous treatment effects have not adequately addressed the multicenter context, but rather treat it simply as a means to obtain sufficient sample size. Additionally, previous approaches to estimating treatment effects do not straightforwardly generalize to the multicenter design, especially when required to provide treatment insights for patients from a new, unobserved center. To address these shortcomings, we propose Multiple Domain Causal Networks (MDCN), an approach that simultaneously strengthens the information sharing between similar centers while addressing the selection bias in treatment assignment through learning of a new feature embedding. In empirical evaluations, MDCN is consistently more accurate when estimating the heterogeneous treatment effect in new centers compared to benchmarks that adjust solely based on treatment imbalance or general center differences. Finally, we justify our approach by providing theoretical analyses that demonstrate that MDCN improves on the generalization bound of the new, unobserved target center.
• Abstract（参考訳）: 観察研究はランダム化試験の経済的代替品と見なされ、治療効果の調査や判定にしばしば使用される。 サンプルサイズが不足しているため、観測研究は通常、複数のソースまたは異なるサイト/センターからのデータを結合する。 サンプルサイズの増大にもかかわらず、多中心データの単純な組み合わせは、特定の中心とは異なる治療に対するコホートや反応を生成するセンター固有のプロトコルから生じる矛盾をもたらす可能性がある。 これらの問題は、個人の独特な生物学的特徴に関連する治療効果を捉えることを含む、様々な文脈で発生する。 既存の不均質な処理効果を推定する方法は多施設の文脈に十分対応していないが、単に十分なサンプルサイズを得るための手段として扱う。 さらに、治療効果を推定するための従来のアプローチは、特に新しい未観察センターから患者に治療の洞察を提供するために必要な場合、マルチセンター設計に直接一般化するものではない。 このような欠点に対処するため,複数ドメイン因果ネットワーク (MDCN) を提案する。これは,特徴埋め込みの学習を通じて,治療課題における選択バイアスに対処しながら,類似中心間の情報共有を同時に強化するアプローチである。 経験的評価では、MDCNは、治療不均衡や一般的なセンター差のみに基づいて調整されるベンチマークと比較して、新しいセンターにおける不均一な治療効果を推定するときに一貫して正確である。 最後に、MDCNが新しい観測対象中心の一般化境界を改善することを示す理論的解析を提供することにより、我々のアプローチを正当化する。

関連論文リスト

• Federated Causal Inference: Multi-Centric ATE Estimation beyond Meta-Analysis [12.896319628045967]
  我々は、中央に分散したデータから治療効果を推定するフェデレート因果推論(Federated Causal Inference)について検討する。 プラグインG-Formulaから得られた平均治療効果(ATE)推定器の3つのクラスを比較した。
  論文  参考訳（メタデータ） (2024-10-22T10:19:17Z)
• Identifying treatment response subgroups in observational time-to-event data [2.176207087460772]
  本研究は、観察研究における治療応答サブグループを特定するための、新しい結果誘導手法を提案する。 本手法は, 個別化と平均処理効果推定の中間に位置する。 実験では, ランダム化処理と観察処理の両方において, 結果誘導サブグループ分析の最先端手法を著しく上回る結果を得た。
  論文  参考訳（メタデータ） (2024-08-06T22:38:14Z)
• Individualized Multi-Treatment Response Curves Estimation using RBF-net with Shared Neurons [1.1119247609126184]
  反応曲線の非パラメトリックモデリングは、共有された隠れニューロンを持つ放射基底関数(RBF)-ネットに依存している。 本手法をMIMICデータに適用し, 在宅中絶患者に対するICU滞在時間と12時間SOFAスコアに対する異なる治療方法の効果に関する興味深い知見を得た。
  論文  参考訳（メタデータ） (2024-01-29T21:13:01Z)
• The Blessings of Multiple Treatments and Outcomes in Treatment Effect Estimation [53.81860494566915]
  既存の研究では、プロキシ変数や複数の処理を利用してバイアスを補正している。 多くの実世界のシナリオでは、複数の結果に対する影響を研究することにより大きな関心がある。 この設定に関わる複数の結果の並列研究は、因果同定において互いに助け合うことが示されている。
  論文  参考訳（メタデータ） (2023-09-29T14:33:48Z)
• Improving Multiple Sclerosis Lesion Segmentation Across Clinical Sites: A Federated Learning Approach with Noise-Resilient Training [75.40980802817349]
  深層学習モデルは、自動的にMS病変を分節する約束を示しているが、正確な注釈付きデータの不足は、この分野の進歩を妨げている。 我々は,MS病変の不均衡分布とファジィ境界を考慮したDecoupled Hard Label Correction(DHLC)戦略を導入する。 また,集約型中央モデルを利用したCELC(Centrally Enhanced Label Correction)戦略も導入した。
  論文  参考訳（メタデータ） (2023-08-31T00:36:10Z)
• Ambiguous Medical Image Segmentation using Diffusion Models [60.378180265885945]
  我々は,グループ洞察の分布を学習することで,複数の可算出力を生成する単一拡散モデルに基づくアプローチを提案する。 提案モデルでは,拡散の固有のサンプリングプロセスを利用してセグメンテーションマスクの分布を生成する。 その結果,提案手法は既存の最先端曖昧なセグメンテーションネットワークよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2023-04-10T17:58:22Z)
• Rethinking Semi-Supervised Medical Image Segmentation: A Variance-Reduction Perspective [51.70661197256033]
  医用画像セグメンテーションのための階層化グループ理論を用いた半教師付きコントラスト学習フレームワークARCOを提案する。 まず、分散還元推定の概念を用いてARCOを構築することを提案し、特定の分散還元技術が画素/ボクセルレベルのセグメンテーションタスクにおいて特に有用であることを示す。 5つの2D/3D医療データセットと3つのセマンティックセグメンテーションデータセットのラベル設定が異なる8つのベンチマークで、我々のアプローチを実験的に検証する。
  論文  参考訳（メタデータ） (2023-02-03T13:50:25Z)
• TCFimt: Temporal Counterfactual Forecasting from Individual Multiple Treatment Perspective [50.675845725806724]
  個別多面的治療の観点からの時間的対実予測の包括的枠組み(TCFimt)を提案する。 TCFimtは、選択と時間変化バイアスを軽減するためにSeq2seqフレームワークの逆タスクを構築し、比較学習ベースのブロックを設計し、混合処理効果を分離した主治療効果と因果相互作用に分解する。 提案手法は, 特定の治療法による今後の結果予測と, 最先端手法よりも最適な治療タイプとタイミングを選択する上で, 良好な性能を示す。
  論文  参考訳（メタデータ） (2022-12-17T15:01:05Z)
• Learning to Infer Counterfactuals: Meta-Learning for Estimating Multiple Imbalanced Treatment Effects [41.06974193338288]
  本稿では,治療群間のデータエピソードをメタラーニングタスクとみなす。 そこで本研究では,ソース処理グループから十分なサンプルを用いてメタラーナーを訓練し,対象治療における限られたサンプルによる勾配降下によるモデル更新を行う。 実世界の2つのデータセットの実験を行い、推測精度と一般化能力を評価する。
  論文  参考訳（メタデータ） (2022-08-13T23:22:12Z)
• DESCN: Deep Entire Space Cross Networks for Individual Treatment Effect Estimation [7.060064266376701]
  因果推論は、Eコマースや精密医療など様々な分野で広く応用されている。 本稿では,エンド・ツー・エンドの観点から治療効果をモデル化するためのDeep Entire Space Cross Networks (DESCN)を提案する。
  論文  参考訳（メタデータ） (2022-07-19T01:25:31Z)
• MS Lesion Segmentation: Revisiting Weighting Mechanisms for Federated Learning [92.91544082745196]
  フェデレートラーニング(FL)は医用画像解析に広く用いられている。 FLのパフォーマンスは、多発性硬化症(MS)病変セグメンテーションタスクに制限される。 2つの効果的な再重み付け機構によるFLMS病変分割フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-05-03T14:06:03Z)

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。