論文の概要: Multi-Source Survival Domain Adaptation
- arxiv url: http://arxiv.org/abs/2212.00424v1
- Date: Thu, 1 Dec 2022 10:55:22 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-02 14:46:09.063136
- Title: Multi-Source Survival Domain Adaptation
- Title（参考訳）: マルチソースサバイバルドメイン適応
- Authors: Ammar Shaker, Carolin Lawrence
- Abstract要約: そこで我々は,新たな生存基準と生存分布の相違尺度を導入する。
2つのがんデータセットに対する実験により、標的領域における最高性能、より良い治療勧告、そして、説明可能な重み行列が明らかにされた。
- 参考スコア（独自算出の注目度）: 11.57423546614283
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Survival analysis is the branch of statistics that studies the relation
between the characteristics of living entities and their respective survival
times, taking into account the partial information held by censored cases. A
good analysis can, for example, determine whether one medical treatment for a
group of patients is better than another. With the rise of machine learning,
survival analysis can be modeled as learning a function that maps studied
patients to their survival times. To succeed with that, there are three crucial
issues to be tackled. First, some patient data is censored: we do not know the
true survival times for all patients. Second, data is scarce, which led past
research to treat different illness types as domains in a multi-task setup.
Third, there is the need for adaptation to new or extremely rare illness types,
where little or no labels are available. In contrast to previous multi-task
setups, we want to investigate how to efficiently adapt to a new survival
target domain from multiple survival source domains. For this, we introduce a
new survival metric and the corresponding discrepancy measure between survival
distributions. These allow us to define domain adaptation for survival analysis
while incorporating censored data, which would otherwise have to be dropped.
Our experiments on two cancer data sets reveal a superb performance on target
domains, a better treatment recommendation, and a weight matrix with a
plausible explanation.
- Abstract（参考訳）: サバイバル分析(Survival analysis)とは、生命体の特徴と生存時間との関係を研究する統計学の一分野であり、検閲された事例が保持する部分的情報を考慮している。
例えば、良い分析によって、ある患者の1つの治療が他の患者より優れているかどうかを判断することができる。
機械学習の台頭により、生存分析は、研究対象の患者を生存時間にマップする機能を学ぶものとしてモデル化することができる。
それを達成するには、3つの重要な課題に取り組む必要がある。
第一に、一部の患者データは検閲されている:我々はすべての患者にとって真の生存期間を知らない。
第2に、データが不足していることは、さまざまな病気タイプをマルチタスクセットアップのドメインとして扱うという過去の研究につながった。
第3に,ラベルがほとんどあるいはまったく存在しない,新規あるいは極めて稀な疾患タイプへの適応が必要である。
従来のマルチタスクとは対照的に、複数のサバイバルソースドメインから新しいサバイバルターゲットドメインに効率的に適応する方法を考察したい。
そこで本研究では,新たな生存基準と生存分布間の相違尺度を提案する。
これにより、検閲されたデータを取り込んだまま、生存分析のためのドメイン適応を定義することができる。
2つのがんデータセットに関する実験により,標的領域での優れた性能,治療上の推奨,および説明の可能な重み行列が明らかにされた。
関連論文リスト
- 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) - 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) - Copula-Based Deep Survival Models for Dependent Censoring [10.962520289040336]
本稿では, 条件付き独立性の仮定を緩和することにより, 現代の非線形生存分析を拡張できるパラメトリックモデルを提案する。
合成データと半合成データでは,データに条件付き独立性を仮定する標準よりも生存確率分布の推定が有意に向上する。
論文 参考訳（メタデータ） (2023-06-20T21:51:13Z) - 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) - Mine yOur owN Anatomy: Revisiting Medical Image Segmentation with Extremely Limited Labels [54.58539616385138]
我々は、Mine yOur owN Anatomy (MONA) と呼ばれる、新しい半教師付き2次元医用画像セグメンテーションフレームワークを紹介する。
まず、先行研究では、すべてのピクセルがモデルトレーニングに等しく重要であると論じており、我々はこの1つだけで意味のある解剖学的特徴を定義できないことを経験的に観察している。
第2に,医療画像を解剖学的特徴の集合に分解できるモデルを構築する。
論文 参考訳（メタデータ） (2022-09-27T15:50:31Z) - Flexible Group Fairness Metrics for Survival Analysis [0.0]
グループフェアネスの指標を用いて、既存の生存率を使ってバイアスを測定する方法について検討する。
偏見の尺度は偏見をよく捉えられるが、校正や採点ルールの尺度では明瞭さが低い。
論文 参考訳（メタデータ） (2022-05-26T20:55:55Z) - 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) - SurvTRACE: Transformers for Survival Analysis with Competing Events [37.66291997350568]
医学において、生存分析は死亡などの興味のある事象の期間を研究する。
最大の課題は、複数の競合するイベントを扱う方法だ。
本稿では,基礎となる生存分布を仮定しない変圧器モデルを提案する。
論文 参考訳（メタデータ） (2021-10-02T17:46:26Z) - Relational Subsets Knowledge Distillation for Long-tailed Retinal
Diseases Recognition [65.77962788209103]
本研究では,長尾データを知識に基づいて複数のクラスサブセットに分割し,クラスサブセット学習を提案する。
モデルがサブセット固有の知識の学習に集中するように強制する。
提案手法は長期網膜疾患認識タスクに有効であることが判明した。
論文 参考訳（メタデータ） (2021-04-22T13:39:33Z) - Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype
Prediction [55.94378672172967]
本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。
新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。
我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
論文 参考訳（メタデータ） (2020-09-02T02:50:30Z)
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。