論文の概要: FedPseudo: Pseudo value-based Deep Learning Models for Federated Survival Analysis

• arxiv url: http://arxiv.org/abs/2207.05247v1
• Date: Tue, 12 Jul 2022 01:10:36 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-13 14:59:53.469682
• Title: FedPseudo: Pseudo value-based Deep Learning Models for Federated Survival Analysis
• Title（参考訳）: fedpseudo:federated survival analysisのための疑似値に基づくディープラーニングモデル
• Authors: Md Mahmudur Rahman, Sanjay Purushotham
• Abstract要約: 我々はフェデプゼウドと呼ばれるフェデレーションサバイバル分析のための擬似値ベース深層学習モデルを提案する。 提案するFLフレームワークは,最良に訓練された深層生存分析モデルと同等の性能を達成している。
• 参考スコア（独自算出の注目度）: 9.659041001051415
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Survival analysis, time-to-event analysis, is an important problem in healthcare since it has a wide-ranging impact on patients and palliative care. Many survival analysis methods have assumed that the survival data is centrally available either from one medical center or by data sharing from multi-centers. However, the sensitivity of the patient attributes and the strict privacy laws have increasingly forbidden sharing of healthcare data. To address this challenge, the research community has looked at the solution of decentralized training and sharing of model parameters using the Federated Learning (FL) paradigm. In this paper, we study the utilization of FL for performing survival analysis on distributed healthcare datasets. Recently, the popular Cox proportional hazard (CPH) models have been adapted for FL settings; however, due to its linearity and proportional hazards assumptions, CPH models result in suboptimal performance, especially for non-linear, non-iid, and heavily censored survival datasets. To overcome the challenges of existing federated survival analysis methods, we leverage the predictive accuracy of the deep learning models and the power of pseudo values to propose a first-of-its-kind, pseudo value-based deep learning model for federated survival analysis (FSA) called FedPseudo. Furthermore, we introduce a novel approach of deriving pseudo values for survival probability in the FL settings that speeds up the computation of pseudo values. Extensive experiments on synthetic and real-world datasets show that our pseudo valued-based FL framework achieves similar performance as the best centrally trained deep survival analysis model. Moreover, our proposed FL approach obtains the best results for various censoring settings.
• Abstract（参考訳）: 生存分析(Survival analysis, time-to-event analysis)は、患者や緩和ケアに広範囲に影響を及ぼす医療において重要な問題である。 多くのサバイバル分析手法は、サバイバルデータが1つの医療センターから、あるいはマルチセンターからのデータ共有によって、中心的に利用可能であると仮定している。 しかし、患者の属性の感度と厳格なプライバシー法は、医療データの共有を禁止している。 この課題に対処するため、研究コミュニティは、フェデレーション・ラーニング(fl)パラダイムを用いた分散トレーニングとモデルパラメータの共有のソリューションを検討してきた。 本稿では,分散医療データセットの生存分析におけるFLの利用について検討する。 近年、一般的なCox比例ハザード(CPH)モデルがFL設定に適用されているが、その線形性と比例ハザードの仮定により、CPHモデルは、特に非線形、非ID、および高度に検閲された生存データセットにおいて、最適以下の性能をもたらす。 既存のフェデレート生存率解析手法の課題を克服するために,深層学習モデルの予測精度と擬似値のパワーを活用し,フェデレート生存率解析(federated survival analysis, fsa)のための初歩的な擬似価値に基づく深層学習モデルであるfederated survival analysis(federated survival analysis, fsa)を提案する。 さらに,仮想値の計算を高速化するfl設定において,生存確率の擬似値を導出する新しい手法を提案する。 人工および実世界のデータセットに関する広範囲な実験により、我々の擬似価値ベースのflフレームワークは、最高の中央訓練された深層生存分析モデルと同等の性能を達成していることが示された。 さらに,提案手法は,様々な検閲設定において最適な結果を得る。

関連論文リスト

• Addressing Data Heterogeneity in Federated Learning of Cox Proportional Hazards Models [8.798959872821962]
  本稿では,フェデレーションサバイバル分析の分野,特にCox Proportional Hazards(CoxPH)モデルについて概説する。 本稿では,合成データセットと実世界のアプリケーション間のモデル精度を向上させるために,特徴ベースのクラスタリングを用いたFLアプローチを提案する。
  論文  参考訳（メタデータ） (2024-07-20T18:34:20Z)
• Survival modeling using deep learning, machine learning and statistical methods: A comparative analysis for predicting mortality after hospital admission [9.719996519981333]
  コックス比例ハザード(CoxPH)、ステップワイドコックスPH、弾性ネットペナル化コックスモデル、GBM学習など、いくつかの生存分析手法の比較研究を行った。 症例スタディとして,2017年から2019年にかけて,第3次病院救急外来で入院した患者の振り返り分析を行った。 C-indexの結果は、ディープラーニングが同等のパフォーマンスを達成し、DeepSurvが最高の差別を生み出していることを示している。
  論文  参考訳（メタデータ） (2024-03-04T10:46:02Z)
• SAVAE: Leveraging the variational Bayes autoencoder for survival analysis [10.0060346233449]
  SAVAE(Survival Analysis Variational Autoencoder)は,変分オートエンコーダに基づく新しい手法である。 サボエは、生存分析のための調整されたELBOの定式化を導入することにより、この分野に大きく貢献する。 様々な測定値に対して一貫して優れた性能を発揮し、異なる実験を通して頑健さと安定性を実証する一般的な方法を提供する。
  論文  参考訳（メタデータ） (2023-12-22T12:36:50Z)
• 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)
• MedDiffusion: Boosting Health Risk Prediction via Diffusion-based Data Augmentation [58.93221876843639]
  本稿では,MedDiffusion という,エンドツーエンドの拡散に基づくリスク予測モデルを提案する。 トレーニング中に合成患者データを作成し、サンプルスペースを拡大することで、リスク予測性能を向上させる。 ステップワイズ・アテンション・メカニズムを用いて患者の来訪者間の隠れた関係を識別し、高品質なデータを生成する上で最も重要な情報をモデルが自動的に保持することを可能にする。
  論文  参考訳（メタデータ） (2023-10-04T01:36:30Z)
• Scaling Survival Analysis in Healthcare with Federated Survival Forests: A Comparative Study on Heart Failure and Breast Cancer Genomics [7.967995669387532]
  現実世界のアプリケーションでは、生存データは不完全、検閲、分散、機密であることが多い。 我々はFedSurF++と呼ばれるFederated Survival Forestアルゴリズムの拡張を提案する。
  論文  参考訳（メタデータ） (2023-08-04T15:25:56Z)
• 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)
• 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)
• FLOP: Federated Learning on Medical Datasets using Partial Networks [84.54663831520853]
  新型コロナウイルスの感染拡大で医療資源が不足している。 新型コロナウイルスの診断を緩和するために、さまざまなデータ駆動型ディープラーニングモデルが開発されている。 患者のプライバシー上の懸念から、データそのものはまだ乏しい。 我々は、textbfPartial Networks (FLOP) を用いた、シンプルで効果的な textbfFederated textbfL textbfon Medical データセットを提案する。
  論文  参考訳（メタデータ） (2021-02-10T01:56:58Z)
• WRSE -- a non-parametric weighted-resolution ensemble for predicting individual survival distributions in the ICU [0.251657752676152]
  集中治療室(ICU)における死亡リスクの動的評価は、患者を階層化し、治療効果を知らせたり、早期警戒システムの一部として機能したりすることができる。 現状の確率モデルと競合する結果を示すとともに,2～9倍のトレーニング時間を大幅に短縮する。
  論文  参考訳（メタデータ） (2020-11-02T10:13:59Z)
• UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced Data [81.00385374948125]
  我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。 UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。 非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。 UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
  論文  参考訳（メタデータ） (2020-10-22T02:28:11Z)

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。