論文の概要: Censor-aware Semi-supervised Learning for Survival Time Prediction from Medical Images

• arxiv url: http://arxiv.org/abs/2205.13226v1
• Date: Thu, 26 May 2022 08:39:02 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-28 02:28:08.578341
• Title: Censor-aware Semi-supervised Learning for Survival Time Prediction from Medical Images
• Title（参考訳）: censor-aware semi-supervised learningによる医学画像からの生存時間予測
• Authors: Renato Hermoza, Gabriel Maicas, Jacinto C. Nascimento, Gustavo Carneiro
• Abstract要約: 検閲されたデータと検閲されていないデータを用いて生存時間を予測できる新しいトレーニング手法を提案する。 TCGA-GMおよびNLSTデータセットの病理像とX線像について検討した。
• 参考スコア（独自算出の注目度）: 19.76675556520657
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Survival time prediction from medical images is important for treatment planning, where accurate estimations can improve healthcare quality. One issue affecting the training of survival models is censored data. Most of the current survival prediction approaches are based on Cox models that can deal with censored data, but their application scope is limited because they output a hazard function instead of a survival time. On the other hand, methods that predict survival time usually ignore censored data, resulting in an under-utilization of the training set. In this work, we propose a new training method that predicts survival time using all censored and uncensored data. We propose to treat censored data as samples with a lower-bound time to death and estimate pseudo labels to semi-supervise a censor-aware survival time regressor. We evaluate our method on pathology and x-ray images from the TCGA-GM and NLST datasets. Our results establish the state-of-the-art survival prediction accuracy on both datasets.
• Abstract（参考訳）: 医療画像からの生存時間予測は、正確な推定によって医療品質が向上する治療計画において重要である。 生存モデルの訓練に影響を与える1つの問題は検閲データである。 現在の生存予測アプローチのほとんどは、検閲されたデータを扱うことができるCoxモデルに基づいているが、生存時間ではなくハザード関数を出力するため、アプリケーションの範囲は限られている。 一方、生存時間を予測する手法は、通常検閲されたデータを無視し、トレーニングセットの未活用につながる。 そこで本研究では,すべての検閲データと無検閲データを用いて生存時間を予測する新しいトレーニング手法を提案する。 筆者らは,検閲されたデータを,死までの時間が低いサンプルとして扱い,疑似ラベルを推定し,検閲を意識した生存時間回帰器を半監督することを提案する。 TCGA-GMおよびNLSTデータセットの病理像とX線像について検討した。 その結果,両データセットの生存予測精度が得られた。

関連論文リスト

• SurvCORN: Survival Analysis with Conditional Ordinal Ranking Neural Network [4.772480981435387]
  本稿では,条件付き順序付きランキングネットワークを用いた生存曲線の予測手法であるSurvCORNを提案する。 また,モデル予測の精度を評価するための指標であるSurvMAEを導入する。
  論文  参考訳（メタデータ） (2024-09-30T03:01:25Z)
• SurvRNC: Learning Ordered Representations for Survival Prediction using Rank-N-Contrast [4.5445892770974154]
  Survival Rank-N Contrast (SurvRNC) は、生存時間に基づいて順序付けられた表現を得るための正規化器としての損失関数である。 訓練にSurvRNC法を用いることで,異なる深層生存モデルにおいて高い性能が得られることを示す。
  論文  参考訳（メタデータ） (2024-03-15T18:00:11Z)
• TripleSurv: Triplet Time-adaptive Coordinate Loss for Survival Analysis [15.496918127515665]
  本稿では,学習過程の複雑さを扱える時間適応座標損失関数TripleSurvを提案する。 我々のTripleSurvは3つの実世界の生存データセットと公開合成データセットで評価されている。
  論文  参考訳（メタデータ） (2024-01-05T08:37:57Z)
• 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)
• CenTime: Event-Conditional Modelling of Censoring in Survival Analysis [49.44664144472712]
  CenTimeは、イベントへの時間を直接見積もる、サバイバル分析の新しいアプローチである。 本手法は,非検閲データが少ない場合でも,堅牢なイベント条件検閲機構を特徴とする。 以上の結果から,CenTimeは同等の性能を維持しつつ,死までの時間を予測する上で,最先端のパフォーマンスを提供することがわかった。
  論文  参考訳（メタデータ） (2023-09-07T17:07:33Z)
• SurvivalGAN: Generating Time-to-Event Data for Survival Analysis [121.84429525403694]
  検閲と時間的地平線の不均衡は、生成モデルに生存分析に特有の3つの新しい障害モードを経験させる。 本稿では,検閲やイベントの地平線における不均衡に対処し,生存データを扱う生成モデルであるSurvivalGANを提案する。 医療データセットに関する広範な実験により,本手法の評価を行った。
  論文  参考訳（メタデータ） (2023-02-24T17:03:51Z)
• Self-Supervised Learning as a Means To Reduce the Need for Labeled Data in Medical Image Analysis [64.4093648042484]
  胸部X線画像のデータセットとバウンディングボックスラベルを用いて,13種類の異常の分類を行った。 ラベル付きデータの平均精度と精度を60%に抑えることで,完全教師付きモデルと同等の性能が得られることを示す。
  論文  参考訳（メタデータ） (2022-06-01T09:20:30Z)
• 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)

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。