論文の概要: Dynamic Prediction using Time-Dependent Cox Survival Neural Network
- arxiv url: http://arxiv.org/abs/2307.05881v1
- Date: Wed, 12 Jul 2023 03:03:40 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-13 14:28:06.754839
- Title: Dynamic Prediction using Time-Dependent Cox Survival Neural Network
- Title（参考訳）: 時間依存coxサバイバルニューラルネットワークによる動的予測
- Authors: Lang Zeng, Jipeng Zhang, Wei Chen, Ying Ding
- Abstract要約: 本稿では,時間依存型Coxモデルに基づく生存型ニューラルネットワーク(tdCoxSNN)を提案する。
提案手法と共同モデリングおよびランドマーク手法を総合シミュレーションにより評価・比較する。
- 参考スコア（独自算出の注目度）: 17.436605198958677
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The target of dynamic prediction is to provide individualized risk
predictions over time which can be updated as new data become available.
Motivated by establishing a dynamic prediction model for the progressive eye
disease, age-related macular degeneration (AMD), we proposed a time-dependent
Cox model-based survival neural network (tdCoxSNN) to predict its progression
on a continuous time scale using longitudinal fundus images. tdCoxSNN extends
the time-dependent Cox model by utilizing a neural network to model the
non-linear effect of the time-dependent covariates on the survival outcome.
Additionally, by incorporating the convolutional neural network (CNN), tdCoxSNN
can take the longitudinal raw images as input. We evaluate and compare our
proposed method with joint modeling and landmarking approaches through
comprehensive simulations using two time-dependent accuracy metrics, the Brier
Score and dynamic AUC. We applied the proposed approach to two real datasets.
One is a large AMD study, the Age-Related Eye Disease Study (AREDS), in which
more than 50,000 fundus images were captured over a period of 12 years for more
than 4,000 participants. Another is a public dataset of the primary biliary
cirrhosis (PBC) disease, in which multiple lab tests were longitudinally
collected to predict the time-to-liver transplant. Our approach achieves
satisfactory prediction performance in both simulation studies and the two real
data analyses. tdCoxSNN was implemented in PyTorch, Tensorflow, and
R-Tensorflow.
- Abstract（参考訳）: 動的予測の目標は、新たなデータが利用可能になると更新可能な、個人化されたリスク予測を提供することだ。
進行眼疾患, 年齢関連黄斑変性(AMD)の動的予測モデルを確立することにより, 時間依存型Coxモデルに基づく生存ニューラルネットワーク(tdCoxSNN)を提案し, 経時的眼底画像を用いてその進行を連続的に予測した。
tdcoxsnnは時間依存coxモデルを拡張し、ニューラルネットワークを利用して時間依存coxの非線形効果を生存率にモデル化する。
さらに、畳み込みニューラルネットワーク(CNN)を組み込むことで、tdCoxSNNは縦方向の生画像を入力することができる。
提案手法を,2つの時間依存精度指標であるBrier ScoreとDynamic AUCを用いて総合シミュレーションにより,共同モデリングおよびランドマーク化手法と比較した。
提案手法を2つの実データに適用した。
AREDS(Aage-Related Eye Disease Study、老化関連眼疾患研究)は、4000人以上の参加者に対して、12年間に5万枚以上の眼底画像が撮影された大規模なAMD研究である。
もうひとつは原発性胆汁性肝硬変 (PBC) の公的データセットで, 経時的に複数回検査を行い, 移植時期を予測した。
本手法はシミュレーションと実データ解析の両方において良好な予測性能を実現する。
tdCoxSNNはPyTorch、Tensorflow、R-Tensorflowで実装された。
関連論文リスト
- A Framework for Evaluating Predictive Models Using Synthetic Image Covariates and Longitudinal Data [0.0]
患者データを縦断的観察で合成するための新しい枠組みを提案する。
提案手法は,各データモダリティを生成する潜在空間における制御的関連性を導入する。
光コヒーレンストモグラフィー(OCT)スキャンを用いて,本フレームワークの実証を行った。
論文 参考訳（メタデータ） (2024-10-21T16:43:16Z) - Synthesizing Multimodal Electronic Health Records via Predictive Diffusion Models [69.06149482021071]
EHRPDと呼ばれる新しいEHRデータ生成モデルを提案する。
時間間隔推定を組み込んだ拡散モデルである。
我々は2つの公開データセットで実験を行い、忠実さ、プライバシー、実用性の観点からEPHPDを評価する。
論文 参考訳（メタデータ） (2024-06-20T02:20:23Z) - Value Prediction for Spatiotemporal Gait Data Using Deep Learning [0.19972837513980318]
我々は、時系列時間歩行データの価値予測へのディープラーニングの適用を拡大する。
その結果,短距離予測は 0.060675 以下であり,長距離予測は 0.106365 以下であった。
提案したカスタマイズされたモデルでは,転倒予測,家庭内進捗監視,外骨格運動の支援,認証など,付加的なアプリケーションに対して,価値予測がオープンな可能性を秘めている。
論文 参考訳（メタデータ） (2024-02-29T18:30:13Z) - MedDiffusion: Boosting Health Risk Prediction via Diffusion-based Data
Augmentation [58.93221876843639]
本稿では,MedDiffusion という,エンドツーエンドの拡散に基づくリスク予測モデルを提案する。
トレーニング中に合成患者データを作成し、サンプルスペースを拡大することで、リスク予測性能を向上させる。
ステップワイズ・アテンション・メカニズムを用いて患者の来訪者間の隠れた関係を識別し、高品質なデータを生成する上で最も重要な情報をモデルが自動的に保持することを可能にする。
論文 参考訳（メタデータ） (2023-10-04T01:36:30Z) - Continuous time recurrent neural networks: overview and application to
forecasting blood glucose in the intensive care unit [56.801856519460465]
連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。
重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
論文 参考訳（メタデータ） (2023-04-14T09:39:06Z) - Two-step interpretable modeling of Intensive Care Acquired Infections [0.0]
本稿では,高解像度長手データと生存モデルの動的予測機能を統合するための新しい手法を提案する。
モデルの解釈可能性を維持しながら予測力を向上すること。
論文 参考訳（メタデータ） (2023-01-26T14:54:17Z) - FastCPH: Efficient Survival Analysis for Neural Networks [57.03275837523063]
我々は,線形時間で動作する新しい手法であるFastCPHを提案し,連結イベントに対する標準的なBreslow法とEfron法の両方をサポートする。
また,FastCPHとLassoNetの併用による特徴空間の解釈性も実証した。
論文 参考訳（メタデータ） (2022-08-21T03:35:29Z) - SurvLatent ODE : A Neural ODE based time-to-event model with competing
risks for longitudinal data improves cancer-associated Deep Vein Thrombosis
(DVT) prediction [68.8204255655161]
本稿では,不規則なサンプルデータの下で潜在表現をパラメータ化する生成時間対イベントモデルSurvLatent ODEを提案する。
そこで,本モデルでは,事象特異的ハザード関数の形状を指定せずに,複数の競合イベントの生存時間を柔軟に推定する。
SurvLatent ODEは、DVTリスクグループを成層化するために、現在の臨床標準であるKhorana Riskスコアより優れている。
論文 参考訳（メタデータ） (2022-04-20T17:28:08Z) - Mixed Effects Neural ODE: A Variational Approximation for Analyzing the
Dynamics of Panel Data [50.23363975709122]
パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。
我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。
次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
論文 参考訳（メタデータ） (2022-02-18T22:41:51Z) - Simulating time to event prediction with spatiotemporal echocardiography
deep learning [12.059859769175281]
ニューラルネットワークを用いてcox-proportional hazardsモデルを拡張することにより、時間対イベント予測の新しい手法を開発した。
専門家の注釈付き射出分数読みに基づくシミュレーションサバイバルデータセットを生成する。
シミュレーションによる生存結果のみを訓練することにより、時間的畳み込みニューラルネットワークが正確な生存推定をもたらすことを示す。
論文 参考訳（メタデータ） (2021-03-03T18:28:33Z) - Predicting Patient Outcomes with Graph Representation Learning [0.47248250311484113]
類似した患者をグラフでつなげることで,診断を時間的情報として活用する。
LSTM-GNは、eICUデータベース上の滞在予測タスクの長さでLSTMのみのベースラインを上回っていることを実証します。
論文 参考訳（メタデータ） (2021-01-11T15:04:07Z)
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。