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
- Neurological Prognostication of Post-Cardiac-Arrest Coma Patients Using
EEG Data: A Dynamic Survival Analysis Framework with Competing Risks [4.487368901635044]
脳波データを用いた心停止後コマトース患者の神経学的予後の枠組みを提案する。
我々のフレームワークは、患者レベルの累積頻度関数を推定する形で競合するリスクをサポートする動的生存分析モデルを使用する。
我々は,922人の実際のデータセット上で競合するリスクをサポートする3つの既存動的生存分析モデルをベンチマークすることで,我々の枠組みを実証する。
論文 参考訳(メタデータ) (2023-08-17T03:46:23Z) - 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) - Clinical Outcome Prediction from Admission Notes using Self-Supervised
Knowledge Integration [55.88616573143478]
臨床テキストからのアウトカム予測は、医師が潜在的なリスクを見落としないようにする。
退院時の診断,手術手順,院内死亡率,長期予測は4つの一般的な結果予測対象である。
複数の公開資料から得られた患者結果に関する知識を統合するために,臨床結果の事前学習を提案する。
論文 参考訳(メタデータ) (2021-02-08T10:26:44Z) - 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) - A self-supervised neural-analytic method to predict the evolution of
COVID-19 in Romania [10.760851506126105]
我々は、感染症の古典的な確立されたモデルであるSEIRの改良版を使用している。
本稿では,修正SEIRモデルパラメータの正しいセットを推定するために,深層畳み込みネットワークを訓練するための自己教師型アプローチを提案する。
ルーマニアの死亡率が約0.3%である場合、楽観的な結果が得られ、我々のモデルが今後最大3週間の日々の死亡数を正確に予測できることを示した。
論文 参考訳(メタデータ) (2020-06-23T12:00:04Z) - Clinical Risk Prediction with Temporal Probabilistic Asymmetric
Multi-Task Learning [80.66108902283388]
マルチタスク学習手法は、臨床リスク予測などの安全クリティカルな応用に注意を払って使用すべきである。
既存の非対称なマルチタスク学習手法は、低損失のタスクから高損失のタスクへの知識伝達を行うことにより、この負の伝達問題に対処する。
特徴レベルの不確実性に基づいて,特定のタスク/タイムステップから関連する不確実なタスクへの知識伝達を行う,新しい時間的非対称型マルチタスク学習モデルを提案する。
論文 参考訳(メタデータ) (2020-06-23T06:01:36Z)
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。