論文の概要: Time Associated Meta Learning for Clinical Prediction

• arxiv url: http://arxiv.org/abs/2303.02570v1
• Date: Sun, 5 Mar 2023 03:54:54 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-07 18:51:54.827196
• Title: Time Associated Meta Learning for Clinical Prediction
• Title（参考訳）: 臨床予測のための時間関連メタラーニング
• Authors: Hao Liu, Muhan Zhang, Zehao Dong, Lecheng Kong, Yixin Chen, Bradley Fritz, Dacheng Tao, Christopher King
• Abstract要約: 本稿では,時間関連メタラーニング(TAML)手法を提案する。 タスク分割後のスパーシリティ問題に対処するため、TAMLは時間情報共有戦略を採用し、正のサンプル数を増やす。 複数の臨床データセットに対するTAMLの有効性を示す。
• 参考スコア（独自算出の注目度）: 78.99422473394029
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Rich Electronic Health Records (EHR), have created opportunities to improve clinical processes using machine learning methods. Prediction of the same patient events at different time horizons can have very different applications and interpretations; however, limited number of events in each potential time window hurts the effectiveness of conventional machine learning algorithms. We propose a novel time associated meta learning (TAML) method to make effective predictions at multiple future time points. We view time-associated disease prediction as classification tasks at multiple time points. Such closely-related classification tasks are an excellent candidate for model-based meta learning. To address the sparsity problem after task splitting, TAML employs a temporal information sharing strategy to augment the number of positive samples and include the prediction of related phenotypes or events in the meta-training phase. We demonstrate the effectiveness of TAML on multiple clinical datasets, where it consistently outperforms a range of strong baselines. We also develop a MetaEHR package for implementing both time-associated and time-independent few-shot prediction on EHR data.
• Abstract（参考訳）: Rich Electronic Health Records (EHR)は、機械学習を用いて臨床プロセスを改善する機会を生み出している。 異なる時間軸での同じ患者事象の予測は、全く異なる応用と解釈を持つ可能性があるが、潜在的な時間ウィンドウ内の限られたイベント数では、従来の機械学習アルゴリズムの有効性が損なわれる。 本稿では,複数の時点において効果的な予測を行うための新しい時間関連メタ学習(taml)手法を提案する。 我々は、時間関連疾患予測を、複数の時点における分類課題と見なしている。 このような密接に関連する分類タスクは、モデルに基づくメタ学習の優れた候補である。 タスク分割後の空間的問題に対処するため、TAMLは、時間的情報共有戦略を用いて、陽性サンプルの数を増やし、メタトレーニングフェーズにおける関連する表現型やイベントの予測を含む。 そこで本研究では,複数の臨床データセットにおけるtamlの有効性を実証する。 また、EHRデータに時間関連および時間非依存の少ショット予測を実装するためのMetaEHRパッケージも開発した。

関連論文リスト

• Model-agnostic meta-learners for estimating heterogeneous treatment effects over time [24.91413609641092]
  パーソナライズド医療などの多くの分野において、時間とともにヘテロジニアス治療効果(HTE)を推定することが重要である。 モデルに依存しないメタラーナーをいくつか提案し、任意の機械学習モデルと組み合わせて使用することができる。
  論文  参考訳（メタデータ） (2024-07-07T07:07:48Z)
• Temporal Cross-Attention for Dynamic Embedding and Tokenization of Multimodal Electronic Health Records [1.6609516435725236]
  マルチモーダルな臨床時系列を正確に表現するための動的埋め込み・トークン化フレームワークを提案する。 術後合併症9例の発症予測に基礎的アプローチを応用した。
  論文  参考訳（メタデータ） (2024-03-06T19:46:44Z)
• LifeLonger: A Benchmark for Continual Disease Classification [59.13735398630546]
  MedMNISTコレクションの連続的な疾患分類のためのベンチマークであるLifeLongerを紹介する。 タスクとクラスでの病気の漸進的な学習は、モデルをスクラッチから再トレーニングすることなく、新しいサンプルを分類する問題に対処する。 クロスドメインインクリメンタル学習は、これまで得られた知識を維持しながら、異なる機関から派生したデータセットを扱う問題に対処する。
  論文  参考訳（メタデータ） (2022-04-12T12:25:05Z)
• Structured Multi-task Learning for Molecular Property Prediction [30.77287550003828]
  本稿では,タスク間の関係グラフが利用可能な新しい環境下で,分子特性予測のためのマルチタスク学習について検討する。 本研究では,その関係グラフに状態グラフニューラルネットワーク(SGNN)を適用し,タスク表現をモデル化する。 エネルギーベースモデル (EBM) を用いた構造予測を, ノイズコントラスト推定 (NCE) 手法により効率的に学習できる。
  論文  参考訳（メタデータ） (2022-02-22T20:31:23Z)
• Multi-task longitudinal forecasting with missing values on Alzheimer's Disease [4.5855304767722185]
  本稿では、最近発表されたSSHIBAモデルを用いて、長手データ上で異なるタスクを欠落した値で共同学習するフレームワークを提案する。 この方法はベイズ変分推論を用いて、欠落した値をインプットし、複数のビューの情報を組み合わせる。 認知症における診断, 心室容積, 臨床スコアの同時予測に本モデルを適用した。
  論文  参考訳（メタデータ） (2022-01-13T16:02:35Z)
• Phenotypical Ontology Driven Framework for Multi-Task Learning [5.4507302335583345]
  オントロジー駆動型マルチタスク学習フレームワークOMTLを提案する。 確立された医療関係グラフ(オントロジー)からの知識を効果的に活用し、新しいディープラーニングネットワークアーキテクチャを構築する。 本研究は,最先端マルチタスク学習方式における実際の患者結果予測に有効性を示す。
  論文  参考訳（メタデータ） (2020-09-04T13:46:07Z)
• 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)
• Temporally Correlated Task Scheduling for Sequence Learning [143.70523777803723]
  多くのアプリケーションにおいて、シーケンス学習タスクは通常、複数の時間的に相関した補助タスクと関連付けられている。 シーケンス学習に学習可能なスケジューラを導入し、トレーニングのための補助的なタスクを適応的に選択できる。 本手法は,同時翻訳とストックトレンド予測の性能を著しく向上させる。
  論文  参考訳（メタデータ） (2020-07-10T10:28:54Z)
• 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)
• Meta-learning framework with applications to zero-shot time-series forecasting [82.61728230984099]
  この研究は幅広いメタラーニングフレームワークを使って肯定的な証拠を提供する。 残余接続はメタラーニング適応機構として機能する。 我々は、ソースTSデータセット上でニューラルネットワークをトレーニングし、異なるターゲットTSデータセット上で再トレーニングすることなくデプロイできることを示します。
  論文  参考訳（メタデータ） (2020-02-07T16:39:43Z)

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。