論文の概要: Predicting Adverse Neonatal Outcomes for Preterm Neonates with Multi-Task Learning

• arxiv url: http://arxiv.org/abs/2303.15656v1
• Date: Tue, 28 Mar 2023 00:44:06 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-29 17:00:26.200307
• Title: Predicting Adverse Neonatal Outcomes for Preterm Neonates with Multi-Task Learning
• Title（参考訳）: マルチタスク学習による早期新生児の予後予測
• Authors: Jingyang Lin, Junyu Chen, Hanjia Lyu, Igor Khodak, Divya Chhabra, Colby L Day Richardson, Irina Prelipcean, Andrew M Dylag, Jiebo Luo
• Abstract要約: われわれはまず, 3つの不良新生児結果の相関関係を解析し, マルチタスク学習(MTL)問題として複数の新生児結果の診断を定式化する。 特に、MTLフレームワークは、共有された隠れレイヤと複数のタスク固有のブランチを含んでいる。
• 参考スコア（独自算出の注目度）: 51.487856868285995
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Diagnosis of adverse neonatal outcomes is crucial for preterm survival since it enables doctors to provide timely treatment. Machine learning (ML) algorithms have been demonstrated to be effective in predicting adverse neonatal outcomes. However, most previous ML-based methods have only focused on predicting a single outcome, ignoring the potential correlations between different outcomes, and potentially leading to suboptimal results and overfitting issues. In this work, we first analyze the correlations between three adverse neonatal outcomes and then formulate the diagnosis of multiple neonatal outcomes as a multi-task learning (MTL) problem. We then propose an MTL framework to jointly predict multiple adverse neonatal outcomes. In particular, the MTL framework contains shared hidden layers and multiple task-specific branches. Extensive experiments have been conducted using Electronic Health Records (EHRs) from 121 preterm neonates. Empirical results demonstrate the effectiveness of the MTL framework. Furthermore, the feature importance is analyzed for each neonatal outcome, providing insights into model interpretability.
• Abstract（参考訳）: 新生児の予後不良の診断は、医師がタイムリーな治療を提供できるため、短期的生存には不可欠である。 機械学習(ML)アルゴリズムは新生児の悪影響を予測するのに有効であることが示されている。 しかし、これまでのMLベースのほとんどの手法は、1つの結果を予測することだけに集中しており、異なる結果間の潜在的な相関を無視し、潜在的に最適以下の結果と過度な問題につながる可能性がある。 本研究は,まず3つの有害な新生児予後の相関関係を分析し,マルチタスク学習(mtl)問題として複数の新生児成果の診断を定式化する。 次に,多発性新生児の予後を予測するためのMTLフレームワークを提案する。 特に、MTLフレームワークは共有の隠れレイヤと複数のタスク固有のブランチを含んでいる。 初期新生児121例のElectronic Health Records (EHRs) を用いて広範囲にわたる実験を行った。 実験結果はmtlフレームワークの有効性を示す。 さらに、新生児の成果ごとに機能の重要性を分析し、モデル解釈可能性に関する洞察を提供する。

関連論文リスト

• Can artificial intelligence predict clinical trial outcomes? [5.326858857564308]
  本研究では,大言語モデル(LLM)の臨床試験結果の予測能力について検討した。 我々は、バランスの取れた精度、特異性、リコール、マシューズ相関係数(MCC)などの指標を用いてモデルの性能を比較する。 高い複雑さを特徴とする腫瘍学の試行は、全てのモデルで難しいままである。
  論文  参考訳（メタデータ） (2024-11-26T17:05:27Z)
• Multimodal Learning for Embryo Viability Prediction in Clinical IVF [24.257300904706902]
  In-Vitro Fertilization (IVF) では、妊娠成功の可能性を高めるために、最も生存可能な胚を同定することが重要である。 伝統的に、このプロセスは胚学者が光顕微鏡を用いて、特定の間隔で胚の静的な形態的特徴を手動で評価することを含む。 この手作業による評価は、専門的な分析を必要とするため、時間集約的でコストがかかるだけでなく、本質的に主観的でもあるため、選択プロセスにおける可変性がもたらされる。
  論文  参考訳（メタデータ） (2024-10-21T01:58:26Z)
• XAI for In-hospital Mortality Prediction via Multimodal ICU Data [57.73357047856416]
  マルチモーダルICUデータを用いて病院内死亡率を予測するための,効率的で説明可能なAIソリューションを提案する。 我々は,臨床データから異種入力を受信し,意思決定を行うマルチモーダル・ラーニングを我々のフレームワークに導入する。 我々の枠組みは、医療研究において重要な要素の発見を容易にする他の臨床課題に容易に移行することができる。
  論文  参考訳（メタデータ） (2023-12-29T14:28:04Z)
• SPOT: Sequential Predictive Modeling of Clinical Trial Outcome with Meta-Learning [67.8195828626489]
  臨床試験は薬物開発に不可欠であるが、時間を要する、費用がかかる、失敗する傾向がある。 本稿では,まず,複数ソースの臨床試験データを関連するトライアルトピックにクラスタリングするために,臨床トライアル結果の逐次予測mOdeling(SPOT)を提案する。 タスクとして各トライアルシーケンスを考慮して、メタ学習戦略を使用して、モデルが最小限のアップデートで新しいタスクに迅速に適応できるポイントを達成する。
  論文  参考訳（メタデータ） (2023-04-07T23:04:27Z)
• Time Associated Meta Learning for Clinical Prediction [78.99422473394029]
  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。
  論文  参考訳（メタデータ） (2023-03-05T03:54:54Z)
• Using Interpretable Machine Learning to Predict Maternal and Fetal Outcomes [9.705885698264005]
  ガラス箱モデルである Explainable Boosting Machine (EBM) を用いて, 最も重要なリスク要因を特定し, 検討した。 EBMの解釈可能性を用いて、リスクに寄与する特徴に関する驚くべき洞察を明らかにする一方で、我々の実験は、EBMが他のブラックボックスML手法の精度と一致することを示した。
  論文  参考訳（メタデータ） (2022-07-12T05:32:26Z)
• 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)
• 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)
• Robust and flexible learning of a high-dimensional classification rule using auxiliary outcomes [2.92281985958308]
  我々は,高次元線形決定ルールを補助的な結果の存在下で推定する伝達学習手法を開発した。 最終推定器は,1つの利害関係のみを用いた推定よりも低い推定誤差が得られることを示す。
  論文  参考訳（メタデータ） (2020-11-11T01:14:33Z)
• A survey of statistical learning techniques as applied to inexpensive pediatric Obstructive Sleep Apnea data [3.1373682691616787]
  閉塞性睡眠時無呼吸は小学生の1-5%に影響を及ぼす。 スウィフトの診断と治療は、子供の成長と発達にとって重要であるが、症状の多様性と利用可能なデータの複雑さは、これを困難にしている。 探索データ解析のプロセスにおいて,相関ネットワーク,トポロジカルデータ解析からのMapperアルゴリズム,特異値分解を適用した。
  論文  参考訳（メタデータ） (2020-02-17T18:15:32Z)

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。