論文の概要: Pseudo value-based Deep Neural Networks for Multi-state Survival Analysis

• arxiv url: http://arxiv.org/abs/2207.05291v1
• Date: Tue, 12 Jul 2022 03:58:05 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-13 14:58:59.534326
• Title: Pseudo value-based Deep Neural Networks for Multi-state Survival Analysis
• Title（参考訳）: 擬似値に基づく多状態生存解析のためのディープニューラルネットワーク
• Authors: Md Mahmudur Rahman, Sanjay Purushotham
• Abstract要約: 本稿では,多状態生存分析のための擬似値に基づくディープラーニングモデルを提案する。 提案するモデルでは,様々な検閲条件下で最先端の結果が得られた。
• 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: Multi-state survival analysis (MSA) uses multi-state models for the analysis of time-to-event data. In medical applications, MSA can provide insights about the complex disease progression in patients. A key challenge in MSA is the accurate subject-specific prediction of multi-state model quantities such as transition probability and state occupation probability in the presence of censoring. Traditional multi-state methods such as Aalen-Johansen (AJ) estimators and Cox-based methods are respectively limited by Markov and proportional hazards assumptions and are infeasible for making subject-specific predictions. Neural ordinary differential equations for MSA relax these assumptions but are computationally expensive and do not directly model the transition probabilities. To address these limitations, we propose a new class of pseudo-value-based deep learning models for multi-state survival analysis, where we show that pseudo values - designed to handle censoring - can be a natural replacement for estimating the multi-state model quantities when derived from a consistent estimator. In particular, we provide an algorithm to derive pseudo values from consistent estimators to directly predict the multi-state survival quantities from the subject's covariates. Empirical results on synthetic and real-world datasets show that our proposed models achieve state-of-the-art results under various censoring settings.
• Abstract（参考訳）: マルチステートサバイバル分析(MSA)は、時系列データの解析にマルチステートモデルを使用する。 医学的応用においては、MSAは患者の複雑な疾患進行に関する洞察を与えることができる。 MSAにおける重要な課題は、検閲の存在下での遷移確率や状態占有確率などの多状態モデル量の正確な主観的予測である。 Aalen-Johansen (AJ) 推定法やCox-based法のような従来の多状態法はマルコフと比例的ハザード仮定によってそれぞれ制限されており、主観的な予測を行うには有効ではない。 MSAのニューラル常微分方程式はこれらの仮定を緩和するが、計算コストが高く、遷移確率を直接モデル化しない。 これらの制約に対処するため、我々は、多状態生存分析のための擬似値に基づく深層学習モデルのクラスを提案し、そこでは、一貫した推定器から導出される多状態モデル量を推定するための疑似値(検閲処理用に設計された)が自然に置き換えられることを示す。 特に,被験者の共変量から複数状態生存量を直接予測するために,一貫した推定値から疑似値を導出するアルゴリズムを提案する。 合成および実世界のデータセットにおける実験結果から,提案したモデルが様々な検閲条件下で最先端の結果を得ることを示す。

関連論文リスト

• On Least Square Estimation in Softmax Gating Mixture of Experts [78.3687645289918]
  決定論的MoEモデルに基づく最小二乗推定器(LSE)の性能について検討する。 我々は,多種多様な専門家関数の収束挙動を特徴付けるために,強い識別可能性という条件を確立する。 本研究は,専門家の選択に重要な意味を持つ。
  論文  参考訳（メタデータ） (2024-02-05T12:31:18Z)
• A VAE Approach to Sample Multivariate Extremes [6.548734807475054]
  本稿では,重み付き分布をサンプリングするための変分オートエンコーダ(VAE)アプローチについて述べる。 本研究は,ドナウ川流域における人工的データセットと実測値との関係について述べる。 テストデータセットの標準VAEよりも優れているだけでなく、競合するEVTベースの生成手法との比較も提供する。
  論文  参考訳（メタデータ） (2023-06-19T14:53:40Z)
• Continuous-Time Modeling of Counterfactual Outcomes Using Neural Controlled Differential Equations [84.42837346400151]
  反現実的な結果を予測することは、パーソナライズされたヘルスケアをアンロックする可能性がある。 既存の因果推論アプローチでは、観察と治療決定の間の通常の離散時間間隔が考慮されている。 そこで本研究では,腫瘍増殖モデルに基づく制御可能なシミュレーション環境を提案する。
  論文  参考訳（メタデータ） (2022-06-16T17:15:15Z)
• Mitigating multiple descents: A model-agnostic framework for risk monotonization [84.6382406922369]
  クロスバリデーションに基づくリスクモノトナイズのための一般的なフレームワークを開発する。 本稿では,データ駆動方式であるゼロステップとワンステップの2つの手法を提案する。
  論文  参考訳（メタデータ） (2022-05-25T17:41:40Z)
• Statistics and Deep Learning-based Hybrid Model for Interpretable Anomaly Detection [0.0]
  ハイブリッド手法は、予測タスクと予測タスクの両方において、純粋統計的および純粋深層学習法より優れていることが示されている。 MES-LSTMは、これらの課題を克服する解釈可能な異常検出モデルである。
  論文  参考訳（メタデータ） (2022-02-25T14:17:03Z)
• When in Doubt: Neural Non-Parametric Uncertainty Quantification for Epidemic Forecasting [70.54920804222031]
  既存の予測モデルは不確実な定量化を無視し、誤校正予測をもたらす。 不確実性を考慮した時系列予測のためのディープニューラルネットワークの最近の研究にもいくつかの制限がある。 本稿では,予測タスクを確率的生成過程としてモデル化し,EPIFNPと呼ばれる機能的ニューラルプロセスモデルを提案する。
  論文  参考訳（メタデータ） (2021-06-07T18:31:47Z)
• DeepHazard: neural network for time-varying risks [0.6091702876917281]
  生存予測のための新しいフレキシブルな手法,DeepHazardを提案する。 我々のアプローチは、時間内に添加物としてのみ制限される、広範囲の継続的なハザード形態に適合している。 数値的な例では,我々の手法は,C-インデックス計量を用いて評価された予測能力において,既存の最先端手法よりも優れていた。
  論文  参考訳（メタデータ） (2020-07-26T21:01:49Z)
• Improving Maximum Likelihood Training for Text Generation with Density Ratio Estimation [51.091890311312085]
  本稿では,テキスト生成で遭遇する大規模なサンプル空間において,効率よく安定な自動回帰シーケンス生成モデルのトレーニング手法を提案する。 本手法は,品質と多様性の両面で,最大類似度推定や他の最先端シーケンス生成モデルよりも安定に優れている。
  論文  参考訳（メタデータ） (2020-07-12T15:31:24Z)
• A General Framework for Survival Analysis and Multi-State Modelling [70.31153478610229]
  ニューラル常微分方程式を多状態生存モデル推定のためのフレキシブルで一般的な方法として用いる。 また,本モデルでは,サバイバルデータセット上での最先端性能を示すとともに,マルチステート環境での有効性を示す。
  論文  参考訳（メタデータ） (2020-06-08T19:24:54Z)
• Uncertainty-Gated Stochastic Sequential Model for EHR Mortality Prediction [6.170898159041278]
  本稿では,欠落変数の分布を推定し,隠れ状態の更新を行い,院内死亡の可能性を予測できる新しい変動再帰ネットワークを提案する。 我々のモデルは、これらの手順を1つのストリームで実行し、エンドツーエンドで全てのネットワークパラメータを共同で学習できることは注目に値する。
  論文  参考訳（メタデータ） (2020-03-02T04:41:28Z)

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。