論文の概要: A Transformer-Based Deep Learning Approach for Fairly Predicting Post-Liver Transplant Risk Factors

• arxiv url: http://arxiv.org/abs/2304.02780v2
• Date: Fri, 1 Mar 2024 05:59:29 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-04 14:41:39.110906
• Title: A Transformer-Based Deep Learning Approach for Fairly Predicting Post-Liver Transplant Risk Factors
• Title（参考訳）: トランスフォーマー型深層学習による生後移植リスク因子の予測
• Authors: Can Li, Xiaoqian Jiang, Kai Zhang
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 19.00784227522497
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Liver transplantation is a life-saving procedure for patients with end-stage liver disease. There are two main challenges in liver transplant: finding the best matching patient for a donor and ensuring transplant equity among different subpopulations. The current MELD scoring system evaluates a patient's mortality risk if not receiving an organ within 90 days. However, the donor-patient matching should also consider post-transplant risk factors, such as cardiovascular disease, chronic rejection, etc., which are all common complications after transplant. Accurate prediction of these risk scores remains a significant challenge. In this study, we used predictive models to solve the above challenges. Specifically, we proposed a deep-learning model to predict multiple risk factors after a liver transplant. By formulating it as a multi-task learning problem, the proposed deep neural network was trained to simultaneously predict the five post-transplant risks and achieve equal good performance by exploiting task-balancing techniques. We also proposed a novel fairness-achieving algorithm to ensure prediction fairness across different subpopulations. We used electronic health records of 160,360 liver transplant patients, including demographic information, clinical variables, and laboratory values, collected from the liver transplant records of the United States from 1987 to 2018. The model's performance was evaluated using various performance metrics such as AUROC and AUPRC. Our experiment results highlighted the success of our multitask model in achieving task balance while maintaining accuracy. The model significantly reduced the task discrepancy by 39%. Further application of the fairness-achieving algorithm substantially reduced fairness disparity among all sensitive attributes (gender, age group, and race/ethnicity) in each risk factor.
• Abstract（参考訳）: 肝移植は、末期肝疾患の患者の救命手順である。 肝移植には2つの大きな課題がある: ドナーに最適な患者を見つけることと、異なるサブポレーション間で移植株式を確保することである。 現在のMELD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。 しかし,移植後の合併症である心血管疾患や慢性拒絶反応など,移植後のリスク因子も考慮すべきである。 これらのリスクスコアの正確な予測は依然として大きな課題である。 本研究では,上記の課題を解決するために予測モデルを用いた。 具体的には,肝移植後の複数の危険因子を予測するディープラーニングモデルを提案する。 提案する深層ニューラルネットワークは,マルチタスク学習問題として定式化することにより,タスクバランス手法を活用して5つのリスクを同時に予測し,同等の性能を達成するように訓練した。 また,異なる個体群にまたがる予測的公平性を保証する新しいフェアネス・アキエビングアルゴリズムを提案した。 1987年から2018年までの米国の肝移植記録から得られた人口統計,臨床変数,検査値を含む160,360人の肝移植患者の電子健康記録を用いた。 このモデルの性能は、AUROCやAUPRCといった様々なパフォーマンス指標を用いて評価された。 実験の結果,タスクバランスを達成しつつ精度を維持しながら,マルチタスクモデルの成功を強調した。 このモデルではタスクの不一致が39%減少した。 フェアネス達成アルゴリズムのさらなる適用により、各リスクファクターにおけるすべてのセンシティブ属性(性別、年齢、人種、民族)の公平性格差が大幅に低減される。

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)
• Multi-task Explainable Skin Lesion Classification [54.76511683427566]
  少ないラベル付きデータでよく一般化する皮膚病変に対する数発のショットベースアプローチを提案する。 提案手法は,アテンションモジュールや分類ネットワークとして機能するセグメンテーションネットワークの融合を含む。
  論文  参考訳（メタデータ） (2023-10-11T05:49:47Z)
• Penalties and Rewards for Fair Learning in Paired Kidney Exchange Programs [4.963350442999301]
  腎臓交換プログラム(英: kidney exchange program)または腎臓対寄付プログラム(英: kidney paired donation program)は、反復的、ダイナミックな取引と割り当てのメカニズムであると見なすことができる。 カナダ・キドニー・ペアド・寄付計画(Canadian Kidney Paired Donation Program)のフルスケールシミュレーションを用いて,この仮説を確認した。 腎臓交換プログラムの性能を決定する上で最も重要な要因は、患者とドナーのペアに対する正の重み付け(逆戻り)を司法的に割り当てることではない。
  論文  参考訳（メタデータ） (2023-09-23T16:25:49Z)
• 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)
• Fairly Predicting Graft Failure in Liver Transplant for Organ Assigning [61.30094367351618]
  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。
  論文  参考訳（メタデータ） (2023-02-18T18:24:58Z)
• A Deep Learning Approach to Predicting Collateral Flow in Stroke Patients Using Radiomic Features from Perfusion Images [58.17507437526425]
  側方循環は、血流を妥協した領域に酸素を供給する特殊な無酸素流路から生じる。 実際のグレーティングは主に、取得した画像の手動検査によって行われる。 MR灌流データから抽出した放射線学的特徴に基づいて,脳卒中患者の側方血流低下を予測するための深層学習手法を提案する。
  論文  参考訳（メタデータ） (2021-10-24T18:58:40Z)
• 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)
• On the Importance of Diversity in Re-Sampling for Imbalanced Data and Rare Events in Mortality Risk Models [0.0]
  外科的アウトカムリスクツール(SORT)は、英国の主要な選択的内科手術の期間を通して死亡リスクを予測するために開発されたツールの1つです。 本研究では,データセット内のクラス不均衡に対処することにより,SORT予測モデルの拡張を行う。 提案手法は,共通再サンプリング技術上での多様性に基づく選択の応用について検討する。
  論文  参考訳（メタデータ） (2020-12-15T09:45:35Z)
• A predictive model for kidney transplant graft survival using machine learning [1.514049362441354]
  機械学習手法は、移植結果の予測を改善し、意思決定を助ける。 一般的な木ベースの機械学習手法であるランダムフォレストをトレーニングし,評価した。 ランダムフォレストはリスク指数よりも成功し、長期生存できる移植を予測した。
  論文  参考訳（メタデータ） (2020-12-07T15:29:51Z)
• Joint Prediction and Time Estimation of COVID-19 Developing Severe Symptoms using Chest CT Scan [49.209225484926634]
  術後に重篤な症状を発症するかどうかを判定するための共同分類法と回帰法を提案する。 提案手法は,各試料の重量を考慮し,外乱の影響を低減し,不均衡な分類の問題を検討する。 提案手法では, 重症症例の予測精度76.97%, 相関係数0.524, 変換時間0.55日差が得られた。
  論文  参考訳（メタデータ） (2020-05-07T12:16:37Z)

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。