論文の概要: Explainable Censored Learning: Finding Critical Features with Long Term
Prognostic Values for Survival Prediction
- arxiv url: http://arxiv.org/abs/2209.15450v1
- Date: Fri, 30 Sep 2022 12:56:29 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-03 16:07:40.762828
- Title: Explainable Censored Learning: Finding Critical Features with Long Term
Prognostic Values for Survival Prediction
- Title（参考訳）: 説明可能な検閲学習--生存予測のための長期予後値を用いた批判的特徴の探索
- Authors: Xinxing Wu, Chong Peng, Richard Charnigo, Qiang Cheng
- Abstract要約: 批判変数を反復的に活用するために,Explainable CEnsored Learning (EXCEL) と呼ばれる,新規で容易にデプロイ可能なアプローチを導入する。
我々は,EXCELが重要な特徴を効果的に識別し,オリジナルモデルと同等以上の性能が得られることを示す。
- 参考スコア（独自算出の注目度）: 28.943631598055926
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Interpreting critical variables involved in complex biological processes
related to survival time can help understand prediction from survival models,
evaluate treatment efficacy, and develop new therapies for patients. Currently,
the predictive results of deep learning (DL)-based models are better than or as
good as standard survival methods, they are often disregarded because of their
lack of transparency and little interpretability, which is crucial to their
adoption in clinical applications. In this paper, we introduce a novel, easily
deployable approach, called EXplainable CEnsored Learning (EXCEL), to
iteratively exploit critical variables and simultaneously implement (DL) model
training based on these variables. First, on a toy dataset, we illustrate the
principle of EXCEL; then, we mathematically analyze our proposed method, and we
derive and prove tight generalization error bounds; next, on two semi-synthetic
datasets, we show that EXCEL has good anti-noise ability and stability;
finally, we apply EXCEL to a variety of real-world survival datasets including
clinical data and genetic data, demonstrating that EXCEL can effectively
identify critical features and achieve performance on par with or better than
the original models. It is worth pointing out that EXCEL is flexibly deployed
in existing or emerging models for explainable survival data in the presence of
right censoring.
- Abstract（参考訳）: 生存時間に関連する複雑な生物学的過程に関わる重要な変数の解釈は、生存モデルからの予測を理解し、治療の有効性を評価し、患者に対する新しい治療を開発するのに役立つ。
現在、ディープラーニング(DL)ベースのモデルの予測結果は、標準的な生存方法よりも優れているか、あるいは優れているが、その透明性の欠如と、臨床応用において重要な解釈可能性の欠如により無視されることが多い。
本稿では,重要な変数を反復的に活用し,これらの変数に基づいた(DL)モデルトレーニングを同時に実施するための,Explainable CEnsored Learning (EXCEL)と呼ばれる,新しいデプロイ可能なアプローチを提案する。
First, on a toy dataset, we illustrate the principle of EXCEL; then, we mathematically analyze our proposed method, and we derive and prove tight generalization error bounds; next, on two semi-synthetic datasets, we show that EXCEL has good anti-noise ability and stability; finally, we apply EXCEL to a variety of real-world survival datasets including clinical data and genetic data, demonstrating that EXCEL can effectively identify critical features and achieve performance on par with or better than the original models.
EXCELは、既存のモデルや新興モデルに柔軟に展開され、正しい検閲が存在する場合の生存データを説明できる。
関連論文リスト
- Machine Learning for ALSFRS-R Score Prediction: Making Sense of the Sensor Data [44.99833362998488]
筋萎縮性側索硬化症(Amyotrophic Lateral Sclerosis、ALS)は、急速に進行する神経変性疾患である。
iDPP@CLEF 2024チャレンジを先導した今回の調査は,アプリから得られるセンサデータを活用することに焦点を当てている。
論文 参考訳（メタデータ） (2024-07-10T19:17:23Z) - CEL: A Continual Learning Model for Disease Outbreak Prediction by
Leveraging Domain Adaptation via Elastic Weight Consolidation [4.693707128262634]
本研究では,EWC(Elastic Weight Consolidation)による領域適応を利用した連続学習のための新しいCELモデルを提案する。
CELの堅牢性と信頼性は、既存のベンチマーク研究と比較して65%の忘れ込み率と18%のメモリ安定性で裏付けられている。
論文 参考訳（メタデータ） (2024-01-17T03:26:04Z) - Meta Transfer of Self-Supervised Knowledge: Foundation Model in Action
for Post-Traumatic Epilepsy Prediction [0.6291443816903801]
基礎モデルに新たなトレーニング戦略を導入する。
提案手法は,小規模臨床データセットのタスク性能を著しく向上することを示す。
さらに, 基礎モデルの一般化性の向上を実証した。
論文 参考訳（メタデータ） (2023-12-21T07:42:49Z) - Learning Objective-Specific Active Learning Strategies with Attentive
Neural Processes [72.75421975804132]
学び アクティブラーニング(LAL)は、アクティブラーニング戦略自体を学ぶことを提案し、与えられた設定に適応できるようにする。
能動学習問題の対称性と独立性を利用した新しい分類法を提案する。
私たちのアプローチは、筋電図から学ぶことに基づいており、モデルに標準ではない目的に適応する能力を与えます。
論文 参考訳（メタデータ） (2023-09-11T14:16:37Z) - Robust Learning with Progressive Data Expansion Against Spurious
Correlation [65.83104529677234]
本研究では,2層非線形畳み込みニューラルネットワークの学習過程について検討した。
分析の結果,不均衡なデータ群と学習容易なスプリアス特徴が学習過程におけるスプリアス特徴の優位性に繋がる可能性が示唆された。
本稿では,PDEと呼ばれる新たなトレーニングアルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-06-08T05:44:06Z) - A Statistical Learning Take on the Concordance Index for Survival
Analysis [0.29005223064604074]
C-index Fisher-Consistencyの結果と、生存分析においてよく使われるコスト関数に対する過剰なリスク境界を提供する。
また、モデル仮定が作成されず、C-インデックスと整合性を示す新しいオフ・ザ・シェルフ法を提示する一般事例についても検討する。
論文 参考訳（メタデータ） (2023-02-23T14:33:54Z) - HyperImpute: Generalized Iterative Imputation with Automatic Model
Selection [77.86861638371926]
カラムワイズモデルを適応的かつ自動的に構成するための一般化反復計算フレームワークを提案する。
既製の学習者,シミュレータ,インターフェースを備えた具体的な実装を提供する。
論文 参考訳（メタデータ） (2022-06-15T19:10:35Z) - LifeLonger: A Benchmark for Continual Disease Classification [59.13735398630546]
MedMNISTコレクションの連続的な疾患分類のためのベンチマークであるLifeLongerを紹介する。
タスクとクラスでの病気の漸進的な学習は、モデルをスクラッチから再トレーニングすることなく、新しいサンプルを分類する問題に対処する。
クロスドメインインクリメンタル学習は、これまで得られた知識を維持しながら、異なる機関から派生したデータセットを扱う問題に対処する。
論文 参考訳（メタデータ） (2022-04-12T12:25:05Z) - 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) - Uncovering the structure of clinical EEG signals with self-supervised
learning [64.4754948595556]
教師付き学習パラダイムは、しばしば利用可能なラベル付きデータの量によって制限される。
この現象は脳波(EEG)などの臨床関連データに特に問題となる。
ラベルのないデータから情報を抽出することで、ディープニューラルネットワークとの競合性能に到達することができるかもしれない。
論文 参考訳（メタデータ） (2020-07-31T14:34:47Z) - Variational Learning of Individual Survival Distributions [21.40142425105635]
本稿では,分散学習技術とディープニューラルネットワークの最近の進歩を基盤として,変分生存推定(VSI)と呼ばれる変動時間対イベント予測モデルを提案する。
提案手法の有効性を検証するため, 合成および実世界の両方のデータセットに対する広範な実験を行い, 競合するソリューションと比較して性能が向上したことを示す。
論文 参考訳（メタデータ） (2020-03-09T22:09:51Z)
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。