論文の概要: Kernel Cox partially linear regression: building predictive models for cancer patients' survival

• arxiv url: http://arxiv.org/abs/2310.07187v1
• Date: Wed, 11 Oct 2023 04:27:54 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-13 00:24:13.399074
• Title: Kernel Cox partially linear regression: building predictive models for cancer patients' survival
• Title（参考訳）: Kernel Cox 部分線形回帰 : がん患者の生存予測モデルの構築
• Authors: Yaohua Rong, Sihai Dave Zhao, Xia Zheng, Yi Li
• Abstract要約: 我々はカーネルCox比例ハザード半パラメトリックモデルを構築し、モデルに適合する新しい正規化ニンジン化カーネルマシン(RegGKM)を提案する。 我々はカーネルマシン法を用いて生存率と予測値の複雑な関係を記述し、無関係なパラメトリックおよび非パラメトリック予測値を自動的に除去する。 この結果は、患者を異なる死亡リスクを持つグループに分類し、より良い臨床結果を得るために治療を促進するのに役立つ。
• 参考スコア（独自算出の注目度）: 4.230753712933184
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Wide heterogeneity exists in cancer patients' survival, ranging from a few months to several decades. To accurately predict clinical outcomes, it is vital to build an accurate predictive model that relates patients' molecular profiles with patients' survival. With complex relationships between survival and high-dimensional molecular predictors, it is challenging to conduct non-parametric modeling and irrelevant predictors removing simultaneously. In this paper, we build a kernel Cox proportional hazards semi-parametric model and propose a novel regularized garrotized kernel machine (RegGKM) method to fit the model. We use the kernel machine method to describe the complex relationship between survival and predictors, while automatically removing irrelevant parametric and non-parametric predictors through a LASSO penalty. An efficient high-dimensional algorithm is developed for the proposed method. Comparison with other competing methods in simulation shows that the proposed method always has better predictive accuracy. We apply this method to analyze a multiple myeloma dataset and predict patients' death burden based on their gene expressions. Our results can help classify patients into groups with different death risks, facilitating treatment for better clinical outcomes.
• Abstract（参考訳）: 癌患者の生存には、数ヶ月から数十年に及ぶ幅広い多様性が存在する。 臨床結果の正確な予測には、患者の分子プロファイルと患者の生存を関連付ける正確な予測モデルを構築することが不可欠である。 生存率と高次元分子予測器との複雑な関係から,非パラメトリックモデリングと無関係予測器の同時除去が困難である。 本稿では,カーネルCox比例ハザード半パラメトリックモデルを構築し,そのモデルに適合する新しい正規化ニンジン化カーネルマシン(RegGKM)を提案する。 カーネルマシン法を用いて生存率と予測値の複雑な関係を記述し、LASSOペナルティにより無関係なパラメトリックおよび非パラメトリック予測値を自動的に除去する。 提案手法に対して効率的な高次元アルゴリズムを提案する。 シミュレーションにおける他の競合手法との比較により,提案手法は予測精度が常に良いことを示す。 本手法は,多発性骨髄腫データを解析し,その遺伝子発現に基づいて患者の死亡負担を予測する。 以上より, 死亡リスクの異なるグループに分類し, 良好な臨床成績を得るための治療の促進に寄与した。

関連論文リスト

• Deep State-Space Generative Model For Correlated Time-to-Event Predictions [54.3637600983898]
  そこで本研究では,様々な種類の臨床イベント間の相互作用を捉えるために,潜伏状態空間生成モデルを提案する。 また,死亡率と臓器不全の関連性について有意な知見が得られた。
  論文  参考訳（メタデータ） (2024-07-28T02:42:36Z)
• Modeling Long Sequences in Bladder Cancer Recurrence: A Comparative Evaluation of LSTM,Transformer,and Mamba [0.0]
  本研究では,Cox比例ハザードモデルを用いて,時系列データを扱う深層学習モデルの利点を統合する。 LSTM-Coxモデルは、TransformerやMambaといった新しいモデルにまたがる、リカレントなデータ解析と特徴抽出のための堅牢で効率的な方法である。
  論文  参考訳（メタデータ） (2024-05-28T18:38:15Z)
• Prediction of cancer dynamics under treatment using Bayesian neural networks: A simulated study [0.0]
  我々は,治療中の癌動態を予測するために,サブポピュレーション動態の階層的ベイズモデルを構築した。 多発性骨髄腫 (MM) では, 血清M蛋白が腫瘍負担の指標としてよく知られている。
  論文  参考訳（メタデータ） (2024-05-23T12:47:19Z)
• 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)
• Inference for High Dimensional Censored Quantile Regression [8.993036560782137]
  本稿では,グローバルに検閲された量子レグレッションの枠組みの中で,すべての予測子を推論する新しい手法を提案する。 提案手法は,高次元設定における推定の不確かさを適切に定量化できることを示す。 肺がん経路に居住するSNPが患者の生存に及ぼす影響を解析するために本法を適用した。
  論文  参考訳（メタデータ） (2021-07-22T23:57:06Z)
• A Twin Neural Model for Uplift [59.38563723706796]
  Upliftは条件付き治療効果モデリングの特定のケースです。 相対リスクのベイズ解釈との関連性を利用して定義した新たな損失関数を提案する。 本提案手法は,シミュレーション設定の最先端と大規模ランダム化実験による実データとの競合性を示す。
  論文  参考訳（メタデータ） (2021-05-11T16:02:39Z)
• Individual dynamic prediction of clinical endpoint from large dimensional longitudinal biomarker history: a landmark approach [0.0]
  本稿では,多種多様なマーカーの繰り返し測定を活用できる健康事象の動的予測手法を提案する。 Rで実施した手法により,繰り返しマーカーの数が多い場合でも,患者の縦断的履歴全体を用いた事象の予測が可能となった。
  論文  参考訳（メタデータ） (2021-02-02T12:36:18Z)
• Deep Cox Mixtures for Survival Regression [11.64579638651557]
  本稿では,Cox回帰の学習混合物をモデルとした生存分析回帰モデルに対する新しいアプローチについて述べる。 我々は、複数の実世界のデータセットで実験を行い、民族や性別にまたがる患者の死亡率を調べる。
  論文  参考訳（メタデータ） (2021-01-16T22:41:22Z)
• Increasing the efficiency of randomized trial estimates via linear adjustment for a prognostic score [59.75318183140857]
  ランダム化実験による因果効果の推定は臨床研究の中心である。 歴史的借用法のほとんどは、厳格なタイプiエラー率制御を犠牲にして分散の削減を達成する。
  論文  参考訳（メタデータ） (2020-12-17T21:10:10Z)
• A General Framework for Survival Analysis and Multi-State Modelling [70.31153478610229]
  ニューラル常微分方程式を多状態生存モデル推定のためのフレキシブルで一般的な方法として用いる。 また,本モデルでは,サバイバルデータセット上での最先端性能を示すとともに,マルチステート環境での有効性を示す。
  論文  参考訳（メタデータ） (2020-06-08T19:24:54Z)
• A Systematic Approach to Featurization for Cancer Drug Sensitivity Predictions with Deep Learning [49.86828302591469]
  35,000以上のニューラルネットワークモデルをトレーニングし、一般的な成果化技術を駆使しています。 RNA-seqは128以上のサブセットであっても非常に冗長で情報的であることがわかった。
  論文  参考訳（メタデータ） (2020-04-30T20:42:17Z)

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。