論文の概要: Reverse Survival Model (RSM): A Pipeline for Explaining Predictions of Deep Survival Models

• arxiv url: http://arxiv.org/abs/2210.15674v1
• Date: Thu, 27 Oct 2022 03:39:01 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-31 15:05:19.111748
• Title: Reverse Survival Model (RSM): A Pipeline for Explaining Predictions of Deep Survival Models
• Title（参考訳）: 逆生存モデル(RSM:Reverse Survival Model: 深層生存モデル予測のためのパイプライン)
• Authors: Mohammad R. Rezaei, Reza Saadati Fard, Ebrahim Pourjafari, Navid Ziaei, Amir Sameizadeh, Mohammad Shafiee, Mohammad Alavinia, Mansour Abolghasemian, Nick Sajadi
• Abstract要約: 本稿では、生存モデルの決定過程に関する詳細な知見を提供する逆生存モデル(RSM)フレームワークを提案する。 興味のある患者それぞれに対して、RCMはデータセットから類似の患者を抽出し、彼らの予測に深い生存モデルが依存する最も関連性の高い特徴に基づいてそれらをランク付けすることができる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The aim of survival analysis in healthcare is to estimate the probability of occurrence of an event, such as a patient's death in an intensive care unit (ICU). Recent developments in deep neural networks (DNNs) for survival analysis show the superiority of these models in comparison with other well-known models in survival analysis applications. Ensuring the reliability and explainability of deep survival models deployed in healthcare is a necessity. Since DNN models often behave like a black box, their predictions might not be easily trusted by clinicians, especially when predictions are contrary to a physician's opinion. A deep survival model that explains and justifies its decision-making process could potentially gain the trust of clinicians. In this research, we propose the reverse survival model (RSM) framework that provides detailed insights into the decision-making process of survival models. For each patient of interest, RSM can extract similar patients from a dataset and rank them based on the most relevant features that deep survival models rely on for their predictions.
• Abstract（参考訳）: 医療における生存率分析の目的は、集中治療室(icu)における患者の死亡などの事象の発生確率を推定することである。 生存分析のためのディープニューラルネットワーク(DNN)の最近の発展は、生存分析アプリケーションにおける他のよく知られたモデルと比較して、これらのモデルの優位性を示している。 医療に展開される深層生存モデルの信頼性と説明可能性の確保が不可欠である。 DNNモデルはブラックボックスのように振る舞うことが多いため、特に医師の意見に反する場合、その予測は臨床医によって簡単には信用できないかもしれない。 意思決定プロセスの説明と正当化を行う深層生存モデルは、臨床医の信頼を得る可能性がある。 本研究では、生存モデルの決定過程に関する詳細な知見を提供する逆生存モデル(RSM)フレームワークを提案する。 関心のある患者ごとに、rsmはデータセットから同様の患者を抽出し、ディープサバイバルモデルが予測に依存する最も関連する特徴に基づいてランク付けすることができる。

関連論文リスト

• Advancing Head and Neck Cancer Survival Prediction via Multi-Label Learning and Deep Model Interpretation [7.698783025721071]
  我々は,複数のHNC生存率を同時に予測するための,解釈可能なマルチラベル・マルチモーダル・ディープ・サバイバル予測フレームワーク IMLSP を提案する。 また、深層生存モデル視覚説明のために開発された、グラディエント重み付き時間イベント活性化マッピング手法であるGrad-TEAMを提案する。
  論文  参考訳（メタデータ） (2024-05-09T01:30:04Z)
• Interpretable Prediction and Feature Selection for Survival Analysis [18.987678432106563]
  我々は、強い差別と解釈可能性の両方を達成する新しい生存分析モデルであるDyS(dice'と発音する)を提示する。 DySは、特徴選択と解釈可能な予測を1つのモデルに組み合わせた、機能スパースな一般化付加モデルである。
  論文  参考訳（メタデータ） (2024-04-23T02:36:54Z)
• 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)
• 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)
• Safe AI for health and beyond -- Monitoring to transform a health service [51.8524501805308]
  機械学習アルゴリズムの出力を監視するために必要なインフラストラクチャを評価する。 モデルのモニタリングと更新の例を示す2つのシナリオを提示します。
  論文  参考訳（メタデータ） (2023-03-02T17:27:45Z)
• SurvLatent ODE : A Neural ODE based time-to-event model with competing risks for longitudinal data improves cancer-associated Deep Vein Thrombosis (DVT) prediction [68.8204255655161]
  本稿では,不規則なサンプルデータの下で潜在表現をパラメータ化する生成時間対イベントモデルSurvLatent ODEを提案する。 そこで,本モデルでは,事象特異的ハザード関数の形状を指定せずに,複数の競合イベントの生存時間を柔軟に推定する。 SurvLatent ODEは、DVTリスクグループを成層化するために、現在の臨床標準であるKhorana Riskスコアより優れている。
  論文  参考訳（メタデータ） (2022-04-20T17:28:08Z)
• Dynamic prediction of time to event with survival curves [3.9169188005935927]
  最近開発した反実用動的生存モデル(CDSM)を静的および縦方向の観測データに適用します。 評価された個別生存曲線の反射点が、患者の失敗時間の確実な予測をもたらすことを証明した。
  論文  参考訳（メタデータ） (2021-01-26T12:17:27Z)
• 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)
• Short Term Blood Glucose Prediction based on Continuous Glucose Monitoring Data [53.01543207478818]
  本研究では,デジタル意思決定支援ツールの入力として連続グルコースモニタリング(Continuous Glucose Monitoring, CGM)データを利用する方法について検討する。 短時間の血液グルコース (STBG) 予測において, リカレントニューラルネットワーク (Recurrent Neural Networks, RNN) をどのように利用できるかを検討する。
  論文  参考訳（メタデータ） (2020-02-06T16:39:44Z)

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。