論文の概要: tdCoxSNN: Time-Dependent Cox Survival Neural Network for Continuous-time
Dynamic Prediction
- arxiv url: http://arxiv.org/abs/2307.05881v2
- Date: Tue, 12 Mar 2024 14:09:56 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-14 02:06:15.660967
- Title: tdCoxSNN: Time-Dependent Cox Survival Neural Network for Continuous-time
Dynamic Prediction
- Title（参考訳）: tdCoxSNN:連続時間動的予測のための時間依存コックス生存ニューラルネットワーク
- Authors: Lang Zeng, Jipeng Zhang, Wei Chen, Ying Ding
- Abstract要約: 本研究では,時間依存型Coxサバイバル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広範囲な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）: 19.38247205641199
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The aim of dynamic prediction is to provide individualized risk predictions
over time, which are updated as new data become available. In pursuit of
constructing a dynamic prediction model for a progressive eye disorder,
age-related macular degeneration (AMD), we propose a time-dependent Cox
survival neural network (tdCoxSNN) to predict its progression using
longitudinal fundus images. tdCoxSNN builds upon the time-dependent Cox model
by utilizing a neural network to capture the non-linear effect of
time-dependent covariates on the survival outcome. Moreover, by concurrently
integrating a convolutional neural network (CNN) with the survival network,
tdCoxSNN can directly take longitudinal images as input. We evaluate and
compare our proposed method with joint modeling and landmarking approaches
through extensive simulations. 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, where multiple lab tests were longitudinally
collected to predict the time-to-liver transplant. Our approach demonstrates
commendable predictive performance in both simulation studies and the analysis
of the two real datasets.
- Abstract（参考訳）: 動的予測の目的は、新しいデータが利用可能になると更新される個人化されたリスク予測を時間とともに提供することである。
加齢黄斑変性症(amd)の進行眼疾患に対する動的予測モデルの構築のために,縦型眼底画像を用いてその進行を予測するための時間依存coxサバイバルニューラルネットワーク(tdcoxsnn)を提案する。
tdCoxSNNは、ニューラルネットワークを使用して、生存結果に対する時間依存共変体の非線形効果をキャプチャすることで、時間依存コックスモデルに基づいて構築される。
さらに、畳み込みニューラルネットワーク(CNN)とサバイバルネットワークを同時に統合することにより、tdCoxSNNは縦画像を直接入力として取り込むことができる。
提案手法と共同モデリングおよびランドマーク手法を広範囲なシミュレーションにより評価・比較する。
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)のデータセットで、複数の実験室で経時的に採取し、移植までの時間を予測する。
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, 予測性能が向上することを示す。
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。