論文の概要: Fairly Predicting Graft Failure in Liver Transplant for Organ Assigning

• arxiv url: http://arxiv.org/abs/2302.09400v1
• Date: Sat, 18 Feb 2023 18:24:58 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-21 18:45:15.470562
• Title: Fairly Predicting Graft Failure in Liver Transplant for Organ Assigning
• Title（参考訳）: 肝移植における臓器アサインングにおけるグラフト障害の予測
• Authors: Sirui Ding, Ruixiang Tang, Daochen Zha, Na Zou, Kai Zhang, Xiaoqian Jiang, Xia Hu
• Abstract要約: 肝移植は肝疾患に対して必要不可欠な治療法である。 機械学習モデルは不公平であり、特定のグループに対する偏見を引き起こす可能性がある。 本研究は,肝移植における移植不全予測を目的とした,公正な機械学習フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 61.30094367351618
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Liver transplant is an essential therapy performed for severe liver diseases. The fact of scarce liver resources makes the organ assigning crucial. Model for End-stage Liver Disease (MELD) score is a widely adopted criterion when making organ distribution decisions. However, it ignores post-transplant outcomes and organ/donor features. These limitations motivate the emergence of machine learning (ML) models. Unfortunately, ML models could be unfair and trigger bias against certain groups of people. To tackle this problem, this work proposes a fair machine learning framework targeting graft failure prediction in liver transplant. Specifically, knowledge distillation is employed to handle dense and sparse features by combining the advantages of tree models and neural networks. A two-step debiasing method is tailored for this framework to enhance fairness. Experiments are conducted to analyze unfairness issues in existing models and demonstrate the superiority of our method in both prediction and fairness performance.
• Abstract（参考訳）: 肝移植は肝疾患に対して必要不可欠な治療法である。 肝臓資源が不足しているため、臓器の割り当てが不可欠である。 エンドステージ肝疾患モデル(MELD)は臓器分布決定において広く採用されている基準である。 しかし、移植後の結果や臓器・ドナーの特徴を無視する。 これらの制限は機械学習(ML)モデルの出現を動機付けている。 残念なことに、MLモデルは不公平であり、特定のグループに対する偏見を引き起こす可能性がある。 そこで本研究では,肝移植におけるグラフト障害予測を目的とした公平な機械学習フレームワークを提案する。 特に、知識蒸留は、木モデルとニューラルネットワークの利点を組み合わせることで、密度とスパースの特徴を扱うために用いられる。 公平性を高めるために、この枠組みのために2段階のデバイアス法を調整した。 既存モデルにおける不公平問題を解析し,予測性能と公平性性能の両方において本手法の優位性を示す実験を行った。

関連論文リスト

• Predicting Long-Term Allograft Survival in Liver Transplant Recipients [11.680219281917076]
  移植後5年以内に肝移植患者の約20%に肝移植不全が発生する。 我々は,他の先進的生存モデルよりも優れた線形リスクスコアであるMAS(Model for Allograft Survival)を導入する。
  論文  参考訳（メタデータ） (2024-08-10T04:44:36Z)
• A Decision Support System for Liver Diseases Prediction: Integrating Batch Processing, Rule-Based Event Detection and SPARQL Query [0.929965561686354]
  肝疾患は世界的な健康上の重荷となり、かなりの数の個人に影響を与え、経済的、社会的に重大な影響をもたらす。 本研究は,BFO ( Basic Formal Ontology) を用いた肝疾患の予測モデルの構築と決定木アルゴリズムによる検出規則の構築を目的とする。
  論文  参考訳（メタデータ） (2023-11-10T10:21:09Z)
• A Transformer-Based Deep Learning Approach for Fairly Predicting Post-Liver Transplant Risk Factors [19.00784227522497]
  肝移植は、末期肝疾患患者の救命法である。 現在のスコアシステムは、90日以内に臓器を受け取らなければ患者の死亡リスクを評価する。 心血管疾患や慢性拒絶などの移植後リスク因子は移植後の合併症である。
  論文  参考訳（メタデータ） (2023-04-05T22:54:26Z)
• Multi-Task Learning for Post-transplant Cause of Death Analysis: A Case Study on Liver Transplant [65.85767739748901]
  移植後の死因は、臨床的意思決定の強力なツールである。 Model for End-stage Liver Disease (MELD) スコアや従来の機械学習 (ML) メソッドのような従来の手法は、CoD 解析において限られている。 我々は,多タスク学習を利用したCoD-MTLと呼ばれる新しいフレームワークを提案し,様々なCoD予測タスク間の意味関係をモデル化する。
  論文  参考訳（メタデータ） (2023-03-30T01:31:49Z)
• Learning to diagnose cirrhosis from radiological and histological labels with joint self and weakly-supervised pretraining strategies [62.840338941861134]
  そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。 我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。 この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
  論文  参考訳（メタデータ） (2023-02-16T17:06:23Z)
• Realistic Ultrasound Image Synthesis for Improved Classification of Liver Disease [54.69792905238048]
  超音波(US)データから肝疾患を分類するために、畳み込みニューラルネットワーク(CNN)が研究されている。 本稿では, 現実的な疾患と健康な肝臓画像合成のための新しいGANアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2021-07-27T12:37:19Z)
• A Twin Neural Model for Uplift [59.38563723706796]
  Upliftは条件付き治療効果モデリングの特定のケースです。 相対リスクのベイズ解釈との関連性を利用して定義した新たな損失関数を提案する。 本提案手法は,シミュレーション設定の最先端と大規模ランダム化実験による実データとの競合性を示す。
  論文  参考訳（メタデータ） (2021-05-11T16:02:39Z)
• Learning $\mathbf{\mathit{Matching}}$ Representations for Individualized Organ Transplantation Allocation [98.43063331640538]
  臓器アロケーションと移植結果の観察データを用いて,臓器マッチングのためのデータ駆動型ルールの学習問題を定式化する。 本稿では,表現学習に基づくモデルを提案し,ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ド 本モデルは,ヒトの専門家が実施する最先端のアロケーション手法やポリシーより優れる。
  論文  参考訳（メタデータ） (2021-01-28T01:33:21Z)

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。