論文の概要: Interpretable machine learning for time-to-event prediction in medicine and healthcare

• arxiv url: http://arxiv.org/abs/2303.09817v2
• Date: Wed, 27 Mar 2024 16:52:59 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-28 23:31:58.753512
• Title: Interpretable machine learning for time-to-event prediction in medicine and healthcare
• Title（参考訳）: 医療・医療における時間-時間予測のための解釈型機械学習
• Authors: Hubert Baniecki, Bartlomiej Sobieski, Patryk Szatkowski, Przemyslaw Bombinski, Przemyslaw Biecek,
• Abstract要約: 時間依存的な特徴効果とグローバルな特徴重大説明を導入する。 我々は、ポストホックな解釈手法が、滞在期間を予測するAIシステムのバイアスを見つけるのにどのように役立つかを示す。 我々は,がんの生存率を予測性能を超えて評価し,マルチオミクスの特徴群の重要性を考察した。
• 参考スコア（独自算出の注目度）: 7.416913210816592
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Time-to-event prediction, e.g. cancer survival analysis or hospital length of stay, is a highly prominent machine learning task in medical and healthcare applications. However, only a few interpretable machine learning methods comply with its challenges. To facilitate a comprehensive explanatory analysis of survival models, we formally introduce time-dependent feature effects and global feature importance explanations. We show how post-hoc interpretation methods allow for finding biases in AI systems predicting length of stay using a novel multi-modal dataset created from 1235 X-ray images with textual radiology reports annotated by human experts. Moreover, we evaluate cancer survival models beyond predictive performance to include the importance of multi-omics feature groups based on a large-scale benchmark comprising 11 datasets from The Cancer Genome Atlas (TCGA). Model developers can use the proposed methods to debug and improve machine learning algorithms, while physicians can discover disease biomarkers and assess their significance. We hope the contributed open data and code resources facilitate future work in the emerging research direction of explainable survival analysis.
• Abstract（参考訳）: タイム・ツー・イベント予測(Time-to-event prediction)、例えば、がん生存率分析(英語版)または入院期間分析(英語版)は、医療および医療応用において非常に顕著な機械学習タスクである。 しかし、いくつかの解釈可能な機械学習手法がその課題に適合する。 生存モデルの包括的な説明的分析を容易にするため,時間依存的特徴効果とグローバルな特徴重要説明を導入する。 本稿では,1235のX線画像から生成した新しいマルチモーダルデータセットと,人間の専門家が注釈を付けたテキストラジオグラフィーレポートを用いて,AIシステム内のバイアスを検出する方法を示す。 さらに,The Cancer Genome Atlas (TCGA)の11データセットからなる大規模ベンチマークに基づいて,癌生存モデルの評価を行い,マルチオミクスの特徴群の重要性を考察した。 モデル開発者は、提案された手法を使用して機械学習アルゴリズムのデバッグと改善を行うことができ、医師は病気のバイオマーカーを発見し、その重要性を評価することができる。 我々は、貢献したオープンデータとコードリソースが、説明可能な生存分析の新たな研究方向における将来の作業を促進することを願っている。

関連論文リスト

• Advancing Head and Neck Cancer Survival Prediction via Multi-Label Learning and Deep Model Interpretation [7.698783025721071]
  我々は,複数のHNC生存率を同時に予測するための,解釈可能なマルチラベル・マルチモーダル・ディープ・サバイバル予測フレームワーク IMLSP を提案する。 また、深層生存モデル視覚説明のために開発された、グラディエント重み付き時間イベント活性化マッピング手法であるGrad-TEAMを提案する。
  論文  参考訳（メタデータ） (2024-05-09T01:30:04Z)
• Interpretable Prediction and Feature Selection for Survival Analysis [18.987678432106563]
  我々は、強い差別と解釈可能性の両方を達成する新しい生存分析モデルであるDyS(dice'と発音する)を提示する。 DySは、特徴選択と解釈可能な予測を1つのモデルに組み合わせた、機能スパースな一般化付加モデルである。
  論文  参考訳（メタデータ） (2024-04-23T02:36:54Z)
• Predictive Modeling for Breast Cancer Classification in the Context of Bangladeshi Patients: A Supervised Machine Learning Approach with Explainable AI [0.0]
  5種類の機械学習手法の分類精度,精度,リコール,F-1スコアを評価し,比較した。 XGBoostは97%という最高のモデル精度を達成した。
  論文  参考訳（メタデータ） (2024-04-06T17:23:21Z)
• Interpretable Machine Learning for Survival Analysis [3.618561939712435]
  解釈可能な機械学習(IML)や説明可能な人工知能(XAI)はこの10年でますます重要になっている。 簡単に利用できるIML手法の欠如は、公衆衛生における医療実践者や政策立案者が機械学習の潜在能力を最大限に活用することを妨げる可能性がある。 一般のIML分類学の文脈における生存分析のためのIML法に関する限られた既存の研究成果について概説する。
  論文  参考訳（メタデータ） (2024-03-15T12:38:00Z)
• Interpretable Survival Analysis for Heart Failure Risk Prediction [50.64739292687567]
  現状の生存モデルと解釈可能かつ競合する新しい生存分析パイプラインを提案する。 我々のパイプラインは最先端のパフォーマンスを達成し、心不全のリスク要因に関する興味深い新しい洞察を提供する。
  論文  参考訳（メタデータ） (2023-10-24T02:56:05Z)
• Safe AI for health and beyond -- Monitoring to transform a health service [51.8524501805308]
  機械学習アルゴリズムの出力を監視するために必要なインフラストラクチャを評価する。 モデルのモニタリングと更新の例を示す2つのシナリオを提示します。
  論文  参考訳（メタデータ） (2023-03-02T17:27:45Z)
• Deep learning methods for drug response prediction in cancer: predominant and emerging trends [50.281853616905416]
  がんを研究・治療するための計算予測モデルをエクスプロイトすることは、薬物開発の改善と治療計画のパーソナライズドデザインにおいて大きな可能性を秘めている。 最近の研究の波は、ディープラーニング手法を用いて、薬物治療に対するがん反応を予測するという有望な結果を示している。 このレビューは、この分野の現状をよりよく理解し、主要な課題と将来性のあるソリューションパスを特定します。
  論文  参考訳（メタデータ） (2022-11-18T03:26:31Z)
• Time Series Prediction using Deep Learning Methods in Healthcare [0.0]
  従来の機械学習手法は、医療予測分析タスクを扱う上で2つの大きな課題に直面している。 医療データの高次元的な性質は、新しいタスクごとに適切な機能のセットを選択するために、労働集約的なプロセスを必要とする。 近年の深層学習手法は、様々な医療予測タスクに有望な性能を示した。
  論文  参考訳（メタデータ） (2021-08-30T18:14:27Z)
• Deep Co-Attention Network for Multi-View Subspace Learning [73.3450258002607]
  マルチビューサブスペース学習のための深層コアテンションネットワークを提案する。 共通情報と相補情報の両方を敵意で抽出することを目的としている。 特に、新しいクロス再構成損失を使用し、ラベル情報を利用して潜在表現の構築を誘導する。
  論文  参考訳（メタデータ） (2021-02-15T18:46:44Z)
• BiteNet: Bidirectional Temporal Encoder Network to Predict Medical Outcomes [53.163089893876645]
  本稿では,患者の医療旅行におけるコンテキスト依存と時間的関係を捉える,新たな自己注意機構を提案する。 エンド・ツー・エンドの双方向時間エンコーダネットワーク(BiteNet)が患者の旅路の表現を学習する。 実世界のEHRデータセットを用いた2つの教師付き予測と2つの教師なしクラスタリングタスクにおける手法の有効性を評価した。
  論文  参考訳（メタデータ） (2020-09-24T00:42:36Z)
• 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)

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。