Fugu-MT 論文翻訳(概要): Risk Assessment of Lymph Node Metastases in Endometrial Cancer Patients: A Causal Approach

論文の概要: Risk Assessment of Lymph Node Metastases in Endometrial Cancer Patients: A Causal Approach

arxiv url: http://arxiv.org/abs/2305.10041v1
Date: Wed, 17 May 2023 08:33:32 GMT
ステータス: 処理完了
システム内更新日: 2023-05-18 16:56:55.282401
Title: Risk Assessment of Lymph Node Metastases in Endometrial Cancer Patients: A Causal Approach
Title（参考訳）: 子宮内膜癌におけるリンパ節転移のリスク評価 : 因果的アプローチ
Authors: Alessio Zanga, Alice Bernasconi, Peter J.F. Lucas, Hanny Pijnenborg, Casper Reijnen, Marco Scutari, Fabio Stella
Abstract要約: 本稿では,ブートストラップ再サンプリングに基づく因果ベイズネットワークの因果探索アルゴリズムを提案する。ランダムに欠落する可能性のある欠落データの存在を踏まえて,本研究の長所と短所について考察する。
参考スコア（独自算出の注目度）: 1.8933952173153485
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Assessing the pre-operative risk of lymph node metastases in endometrial cancer patients is a complex and challenging task. In principle, machine learning and deep learning models are flexible and expressive enough to capture the dynamics of clinical risk assessment. However, in this setting we are limited to observational data with quality issues, missing values, small sample size and high dimensionality: we cannot reliably learn such models from limited observational data with these sources of bias. Instead, we choose to learn a causal Bayesian network to mitigate the issues above and to leverage the prior knowledge on endometrial cancer available from clinicians and physicians. We introduce a causal discovery algorithm for causal Bayesian networks based on bootstrap resampling, as opposed to the single imputation used in related works. Moreover, we include a context variable to evaluate whether selection bias results in learning spurious associations. Finally, we discuss the strengths and limitations of our findings in light of the presence of missing data that may be missing-not-at-random, which is common in real-world clinical settings.
Abstract（参考訳）: 子宮内膜癌におけるリンパ節転移の術前リスク評価は複雑かつ困難な課題である。原則として、機械学習とディープラーニングモデルは、臨床リスク評価のダイナミクスを捉えるのに十分な柔軟性と表現力を持っている。しかし、この設定では、品質問題、欠落した値、小さなサンプルサイズ、高次元の観測データに限られており、これらのバイアス源で限られた観測データからそのようなモデルを確実に学習することはできない。代わりに、上記の問題を緩和するための因果ベイズネットワークを学習し、臨床医や医師が利用できる子宮内膜癌に関する事前の知識を活用することを選びます。本稿では,因果ベイズネットワークにおけるブートストラップ再サンプリングに基づく因果探索アルゴリズムを提案する。さらに,選択バイアスが素因関係の学習に与える影響を評価するための文脈変数も含む。最後に, 本研究の強みと限界について検討し, 臨床現場でよく見られる欠失データの存在から考察する。

関連論文リスト

Re-identification from histopathology images [0.4154350202907906]
本研究は, 比較的単純な深層学習アルゴリズムでも, 大規模な病理組織学データセットの患者を相当精度で再同定できることを実証する。本研究は, 患者プライバシに対するリスク評価手法について, 発表前のリスク評価手法を定式化した。
論文参考訳（メタデータ） (2024-03-19T15:15:19Z)
Seeing Unseen: Discover Novel Biomedical Concepts via Geometry-Constrained Probabilistic Modeling [53.7117640028211]
同定された問題を解決するために,幾何制約付き確率的モデリング処理を提案する。構成された埋め込み空間のレイアウトに適切な制約を課すために、重要な幾何学的性質のスイートを組み込む。スペクトルグラフ理論法は、潜在的な新規クラスの数を推定するために考案された。
論文参考訳（メタデータ） (2024-03-02T00:56:05Z)
Towards a Transportable Causal Network Model Based on Observational Healthcare Data [1.333879175460266]
本稿では,選択図,不足グラフ,因果発見,事前知識を1つのグラフィカルモデルに組み合わせた新しい手法を提案する。このモデルは、患者の2つの異なるコホートからなるデータから学習する。結果として得られた因果ネットワークモデルは、リスク評価、正確性、説明可能性の観点から専門家臨床医によって検証される。
論文参考訳（メタデータ） (2023-11-13T13:23:31Z)
Multimodal Deep Learning for Personalized Renal Cell Carcinoma Prognosis: Integrating CT Imaging and Clinical Data [3.790959613880792]
腎細胞癌は生存率の低い重要な世界的な健康上の課題である。本研究の目的は, 腎細胞癌患者の生存確率を予測できる包括的深層学習モデルを考案することであった。提案フレームワークは,3次元画像特徴抽出器,臨床変数選択,生存予測の3つのモジュールから構成される。
論文参考訳（メタデータ） (2023-07-07T13:09:07Z)
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)
Penalized Deep Partially Linear Cox Models with Application to CT Scans of Lung Cancer Patients [42.09584755334577]
肺がんは世界中のがん死亡の原因であり、効果的な治療法を設計するための死亡リスクを理解することの重要性を強調している。 NLST(National Lung Screening Trial)は、肺がん患者の死亡リスクを定量化するために、CTテクスチャ解析を用いている。本稿では,SCADペナルティを組み込んで重要なテクスチャ特徴を抽出し,深層ニューラルネットワークを用いてモデルの非パラメトリック成分を推定する,Pentalized Deep partially Linear Cox Model (Penalized DPLC)を提案する。
論文参考訳（メタデータ） (2023-03-09T15:38:16Z)
Benchmarking Heterogeneous Treatment Effect Models through the Lens of Interpretability [82.29775890542967]
治療のパーソナライズされた効果を見積もるのは複雑だが、普及している問題である。ヘテロジニアス処理効果推定に関する機械学習文献の最近の進歩は、洗練されたが不透明なツールの多くを生み出した。我々は、ポストホックな特徴重要度法を用いて、モデルの予測に影響を及ぼす特徴を特定する。
論文参考訳（メタデータ） (2022-06-16T17:59:05Z)
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)
Clinical Outcome Prediction from Admission Notes using Self-Supervised Knowledge Integration [55.88616573143478]
臨床テキストからのアウトカム予測は、医師が潜在的なリスクを見落としないようにする。退院時の診断,手術手順,院内死亡率,長期予測は4つの一般的な結果予測対象である。複数の公開資料から得られた患者結果に関する知識を統合するために,臨床結果の事前学習を提案する。
論文参考訳（メタデータ） (2021-02-08T10:26:44Z)
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)
Hemogram Data as a Tool for Decision-making in COVID-19 Management: Applications to Resource Scarcity Scenarios [62.997667081978825]
新型コロナウイルス(COVID-19)のパンデミックは世界中の緊急対応システムに挑戦している。本研究は, 症状患者の血液検査データから得られた機械学習モデルについて述べる。提案されたモデルでは、新型コロナウイルスqRT-PCRの結果を、高い精度、感度、特異性で症状のある個人に予測することができる。
論文参考訳（メタデータ） (2020-05-10T01:45:03Z)

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。