Fugu-MT 論文翻訳(概要): Deep Learning of Semi-Competing Risk Data via a New Neural Expectation-Maximization Algorithm

論文の概要: Deep Learning of Semi-Competing Risk Data via a New Neural Expectation-Maximization Algorithm

arxiv url: http://arxiv.org/abs/2212.12028v1
Date: Thu, 22 Dec 2022 20:38:57 GMT
ステータス: 処理完了
システム内更新日: 2022-12-26 16:17:18.114576
Title: Deep Learning of Semi-Competing Risk Data via a New Neural Expectation-Maximization Algorithm
Title（参考訳）: ニューラル期待最大化アルゴリズムによる半競合リスクデータの深層学習
Authors: Stephen Salerno and Yi Li
Abstract要約: 私たちのモチベーションはボストン肺がん研究(Boston Lung Cancer Study)から来ています。本稿では,古典的統計的アプローチと機械学習のギャップを埋めるために,ニューラル予測最大化アルゴリズムを提案する。
参考スコア（独自算出の注目度）: 5.253100011321437
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Prognostication for lung cancer, a leading cause of mortality, remains a complex task, as it needs to quantify the associations of risk factors and health events spanning a patient's entire life. One challenge is that an individual's disease course involves non-terminal (e.g., disease progression) and terminal (e.g., death) events, which form semi-competing relationships. Our motivation comes from the Boston Lung Cancer Study, a large lung cancer survival cohort, which investigates how risk factors influence a patient's disease trajectory. Following developments in the prediction of time-to-event outcomes with neural networks, deep learning has become a focal area for the development of risk prediction methods in survival analysis. However, limited work has been done to predict multi-state or semi-competing risk outcomes, where a patient may experience adverse events such as disease progression prior to death. We propose a novel neural expectation-maximization algorithm to bridge the gap between classical statistical approaches and machine learning. Our algorithm enables estimation of the non-parametric baseline hazards of each state transition, risk functions of predictors, and the degree of dependence among different transitions, via a multi-task deep neural network with transition-specific sub-architectures. We apply our method to the Boston Lung Cancer Study and investigate the impact of clinical and genetic predictors on disease progression and mortality.
Abstract（参考訳）: 死亡率の主要な原因である肺癌の予後予測は、患者の生涯にわたる危険因子と健康事象の関連を定量化する必要があるため、依然として複雑な課題である。 1つの課題は、個人の病気コースが、半競合関係を形成する非終末(例えば、病気の進行)と終末(例えば、死)イベントを含むことである。私たちの動機は、大きな肺がん生存コホートであるBoston Lung Cancer Study(ボストン肺がん研究)から来ています。ニューラルネットワークによる時間-事象の成果予測の発展に伴い、ディープラーニングは生存率分析におけるリスク予測手法の開発の焦点となっている。しかしながら、患者が死亡前に疾患の進行などの有害事象を経験する多状態または半競合的なリスク結果を予測するために、限られた作業が行われてきた。古典的統計的アプローチと機械学習のギャップを埋めるためのニューラル期待最大化アルゴリズムを提案する。本アルゴリズムは,遷移固有のサブアーキテクチャを持つマルチタスクディープニューラルネットワークを用いて,各状態遷移の非パラメトリックベースラインハザード,予測子のリスク関数,および遷移間の依存度を推定できる。本手法をボストン肺がん研究に適用し,臨床および遺伝的予測因子が疾患の進行と死亡に与える影響について検討した。

関連論文リスト

HACSurv: A Hierarchical Copula-based Approach for Survival Analysis with Dependent Competing Risks [51.95824566163554]
HACSurvは、競合するリスクを持つデータから構造や原因特異的生存関数を学習する生存分析手法である。リスクと検閲の間の依存関係をキャプチャすることで、HACSurvはより良い生存予測を実現する。
論文参考訳（メタデータ） (2024-10-19T18:52:18Z)
Deciphering Cardiac Destiny: Unveiling Future Risks Through Cutting-Edge Machine Learning Approaches [0.0]
本研究の目的は,心停止事故のタイムリー同定のための予測モデルの開発と評価である。我々は、XGBoost、Gradient Boosting、Naive Bayesといった機械学習アルゴリズムと、リカレントニューラルネットワーク(RNN)によるディープラーニング(DL)アプローチを採用しています。厳密な実験と検証により,RNNモデルの優れた性能が示された。
論文参考訳（メタデータ） (2024-09-03T19:18:16Z)
A Multimodal Object-level Contrast Learning Method for Cancer Survival Risk Prediction [9.005219442274344]
コンピュータ支援によるがん生存予測は、患者のタイムリーな治療において重要な役割を担っている。がん生存リスク予測のための新しいトレーニング手法であるマルチモーダルオブジェクトレベルのコントラスト学習を提案する。提案手法により訓練された生存リスク予測器は、2つの公共マルチモーダル癌データセット上で最先端の手法より優れている。
論文参考訳（メタデータ） (2024-09-03T07:36:34Z)
Deep State-Space Generative Model For Correlated Time-to-Event Predictions [54.3637600983898]
そこで本研究では,様々な種類の臨床イベント間の相互作用を捉えるために,潜伏状態空間生成モデルを提案する。また,死亡率と臓器不全の関連性について有意な知見が得られた。
論文参考訳（メタデータ） (2024-07-28T02:42:36Z)
Penalized Deep Partially Linear Cox Models with Application to CT Scans of Lung Cancer Patients [42.09584755334577]
肺がんは世界中のがん死亡の原因であり、効果的な治療法を設計するための死亡リスクを理解することの重要性を強調している。 NLST(National Lung Screening Trial)は、肺がん患者の死亡リスクを定量化するために、CTテクスチャ解析を用いている。本稿では,SCADペナルティを組み込んで重要なテクスチャ特徴を抽出し,深層ニューラルネットワークを用いてモデルの非パラメトリック成分を推定する,Pentalized Deep partially Linear Cox Model (Penalized DPLC)を提案する。
論文参考訳（メタデータ） (2023-03-09T15:38:16Z)
Data-Centric Epidemic Forecasting: A Survey [56.99209141838794]
この調査は、様々なデータ駆動の方法論および実践的進歩を掘り下げるものである。疫学的なデータセットと,流行予測に関連する新しいデータストリームを列挙する。また,これらの予測システムの現実的な展開において生じる経験や課題についても論じる。
論文参考訳（メタデータ） (2022-07-19T16:15:11Z)
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)
SurvITE: Learning Heterogeneous Treatment Effects from Time-to-Event Data [83.50281440043241]
時系列データから不均一な処理効果を推定する問題について検討する。本稿では,バランス表現に基づく治療特異的ハザード推定のための新しいディープラーニング手法を提案する。
論文参考訳（メタデータ） (2021-10-26T20:13:17Z)
Deep-CR MTLR: a Multi-Modal Approach for Cancer Survival Prediction with Competing Risks [0.4189643331553922]
本稿では,癌生存予測のための新しい機械学習手法であるDeep-CR MTLRを提案する。 2552頭頸部癌患者のコホートにおける単一モダリティ予測器に対するマルチモーダルアプローチの予後改善効果を実証した。
論文参考訳（メタデータ） (2020-12-10T15:51:47Z)
Survival prediction and risk estimation of Glioma patients using mRNA expressions [0.0]
グリオーマは、予後不良の中枢神経系腫瘍の致死型である。本研究では、生存に関連する7つの遺伝子シグネチャを同定し、生存予測とリスク推定のための2つのアプローチを検討する。
論文参考訳（メタデータ） (2020-11-02T00:39:04Z)
Neuro-symbolic Neurodegenerative Disease Modeling as Probabilistic Programmed Deep Kernels [93.58854458951431]
本稿では、神経変性疾患のパーソナライズされた予測モデリングのための、確率的プログラムによる深層カーネル学習手法を提案する。我々の分析は、ニューラルネットワークとシンボリック機械学習のアプローチのスペクトルを考慮する。我々は、アルツハイマー病の予測問題について評価を行い、深層学習を超越した結果を得た。
論文参考訳（メタデータ） (2020-09-16T15:16:03Z)

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。