論文の概要: Learning interpretable causal networks from very large datasets,
application to 400,000 medical records of breast cancer patients
- arxiv url: http://arxiv.org/abs/2303.06423v1
- Date: Sat, 11 Mar 2023 15:18:19 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-14 18:59:24.810443
- Title: Learning interpretable causal networks from very large datasets,
application to 400,000 medical records of breast cancer patients
- Title（参考訳）: 超大規模データセットによる解釈可能な因果ネットワークの学習 : 乳癌患者の医療記録400,000件への適用
- Authors: Marcel da C\^amara Ribeiro-Dantas, Honghao Li, Vincent Cabeli, Louise
Dupuis, Franck Simon, Liza Hettal, Anne-Sophie Hamy, and Herv\'e Isambert
- Abstract要約: 我々は,汎用的な相互情報最高原理に基づく,より信頼性が高くスケーラブルな因果探索法(iMIIC)を報告する。
乳がん患者396,179名を対象に,iMIICの医療データと実生医療データについて紹介した。
- 参考スコア（独自算出の注目度）: 1.2647816797166165
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Discovering causal effects is at the core of scientific investigation but
remains challenging when only observational data is available. In practice,
causal networks are difficult to learn and interpret, and limited to relatively
small datasets. We report a more reliable and scalable causal discovery method
(iMIIC), based on a general mutual information supremum principle, which
greatly improves the precision of inferred causal relations while
distinguishing genuine causes from putative and latent causal effects. We
showcase iMIIC on synthetic and real-life healthcare data from 396,179 breast
cancer patients from the US Surveillance, Epidemiology, and End Results
program. More than 90\% of predicted causal effects appear correct, while the
remaining unexpected direct and indirect causal effects can be interpreted in
terms of diagnostic procedures, therapeutic timing, patient preference or
socio-economic disparity. iMIIC's unique capabilities open up new avenues to
discover reliable and interpretable causal networks across a range of research
fields.
- Abstract（参考訳）: 因果効果の発見は科学的調査の核心にあるが、観測データのみが利用可能である場合には依然として困難である。
実際、因果関係は学習と解釈が困難であり、比較的小さなデータセットに限られる。
本報告では,より信頼性が高くスケーラブルな因果関係発見法(imiic)を,汎用的な相互情報超越原理に基づいて報告し,真因果関係の精度を大幅に向上するとともに,真因果関係と潜在因果効果を区別する。
乳がん患者396,179名を対象に,米国監視,疫学,最終結果プログラムから,合成および実生活の医療データに関するimiicを紹介する。
予測因果効果の90%以上は正しいように見え、残りの予期せぬ直接的および間接的因果効果は、診断方法、治療タイミング、患者の嗜好、社会経済的格差の観点から解釈できる。
imiicのユニークな能力は、様々な研究分野にまたがる信頼性と解釈可能な因果ネットワークを発見するための新しい道を開く。
関連論文リスト
- Smoke and Mirrors in Causal Downstream Tasks [59.90654397037007]
本稿では, 治療効果推定の因果推論タスクについて検討し, 高次元観察において利害関係が記録されている。
最先端の視覚バックボーンから微調整した6つの480モデルを比較し、サンプリングとモデリングの選択が因果推定の精度に大きく影響することを発見した。
以上の結果から,今後のベンチマークでは,下流の科学的問題,特に因果的な問題について慎重に検討すべきであることが示唆された。
論文 参考訳（メタデータ） (2024-05-27T13:26:34Z) - Understanding Breast Cancer Survival: Using Causality and Language
Models on Multi-omics Data [23.850817918011863]
乳がんと診断された患者の生存にゲノムの摂動がどう影響するかを調べるために因果探索アルゴリズムを利用した。
本研究は, 因果発見アルゴリズムを用いた患者の生命予後に関する重要な要因を明らかにするものである。
結果は、バイオメディカル文献に基づいて訓練された言語モデルによって検証される。
論文 参考訳（メタデータ） (2023-05-28T17:07:46Z) - The Impact of Missing Data on Causal Discovery: A Multicentric Clinical
Study [1.173358409934101]
子宮内膜癌に対する多施設共同研究から得られたデータを用いて,検索した因果グラフに異なる欠損機構が与える影響を解析した。
専門医による回復グラフの検証を行い,本手法が臨床関連ソリューションを見いだすことを示す。
論文 参考訳（メタデータ） (2023-05-17T08:46:30Z) - Optimizing Data-driven Causal Discovery Using Knowledge-guided Search [3.7489744097107316]
本研究では,知識誘導型因果構造探索(KGS)手法を提案する。
人工的およびベンチマーク的実世界のデータセットを用いて、KGSを複数の環境で評価し、また、酸素治療に関する実生活医療アプリケーションで評価した。
論文 参考訳（メタデータ） (2023-04-11T20:56:33Z) - DOMINO: Visual Causal Reasoning with Time-Dependent Phenomena [59.291745595756346]
本研究では,時間遅延のウィンドウに関連する因果関係の発見に人間が参加できる視覚分析手法を提案する。
具体的には、論理に基づく因果関係の確立した手法を活用し、分析者が潜在的な原因の重要性を検証できるようにする。
効果は他の効果の原因となりうるので,本手法で検出した時間的要因と効果の関係を視覚フロー図にまとめることができる。
論文 参考訳（メタデータ） (2023-03-12T03:40:21Z) - Intelligent Sight and Sound: A Chronic Cancer Pain Dataset [74.77784420691937]
本稿では,Intelligent Sight and Sound (ISS) 臨床試験の一環として収集された,最初の慢性ガン痛データセットを紹介する。
これまで収集されたデータは29の患者、509のスマートフォンビデオ、189,999のフレーム、そして自己報告された感情と活動の痛みのスコアから成っている。
静的画像とマルチモーダルデータを用いて、自己報告された痛みレベルを予測する。
論文 参考訳（メタデータ） (2022-04-07T22:14:37Z) - Why Interpretable Causal Inference is Important for High-Stakes Decision
Making for Critically Ill Patients and How To Do It [80.24494623756839]
重症心身障害患者に対する因果関係評価のための枠組みを提案する。
この枠組みは、脳の発作やその他の潜在的に有害な電気的事象が結果に与える影響に適用する。
論文 参考訳（メタデータ） (2022-03-09T18:03:35Z) - An introduction to causal reasoning in health analytics [2.199093822766999]
従来の機械学習と統計的アプローチで発生する可能性のある欠点のいくつかを強調して、観測データを分析します。
一般的な機械学習問題に対処するための因果推論の応用を実演する。
論文 参考訳（メタデータ） (2021-05-10T20:25:56Z) - Efficient Causal Inference from Combined Observational and
Interventional Data through Causal Reductions [68.6505592770171]
因果効果を推定する際の主な課題の1つである。
そこで本研究では,任意の数の高次元潜入共創者を置き換える新たな因果還元法を提案する。
パラメータ化縮小モデルを観測データと介入データから共同で推定する学習アルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-03-08T14:29:07Z) - HINT: Hierarchical Interaction Network for Trial Outcome Prediction
Leveraging Web Data [56.53715632642495]
臨床試験は、有効性、安全性、または患者採用の問題により、不確実な結果に直面する。
本稿では,より一般的な臨床試験結果予測のための階層型Interaction Network(HINT)を提案する。
論文 参考訳（メタデータ） (2021-02-08T15:09:07Z) - Estimation of Causal Effects in the Presence of Unobserved Confounding
in the Alzheimer's Continuum [3.2489082010225494]
アルツハイマー病の病因と効果に関する現在の臨床知識から因果グラフを導出する。
因果効果の識別可能性を示すためには,すべての共同創設者の認識と測定が必要である。
理論的解析では,代用共同設立者が神経解剖学の認知に対する因果的影響を識別できることが証明された。
論文 参考訳（メタデータ） (2020-06-23T16:29:54Z)
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。