論文の概要: Temporal Supervised Contrastive Learning for Modeling Patient Risk Progression

• arxiv url: http://arxiv.org/abs/2312.05933v1
• Date: Sun, 10 Dec 2023 16:43:15 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-12 17:49:44.296648
• Title: Temporal Supervised Contrastive Learning for Modeling Patient Risk Progression
• Title（参考訳）: 患者リスク進行のモデル化のための時間監督型コントラスト学習
• Authors: Shahriar Noroozizadeh, Jeremy C. Weiss, George H. Chen
• Abstract要約: 本稿では,患者時系列の各段階の埋め込み表現を学習する教師付きコントラスト学習フレームワークを提案する。 組込み空間の近傍点は類似した予測クラス確率を持ち,(2)組込み空間の近傍点に同じ時系列マップの隣接時間ステップ,(3)組込み空間の遠く離れた領域に全く異なる原特徴ベクトルを持つ時間ステップを持つ。
• 参考スコア（独自算出の注目度）: 12.185263022907744
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We consider the problem of predicting how the likelihood of an outcome of interest for a patient changes over time as we observe more of the patient data. To solve this problem, we propose a supervised contrastive learning framework that learns an embedding representation for each time step of a patient time series. Our framework learns the embedding space to have the following properties: (1) nearby points in the embedding space have similar predicted class probabilities, (2) adjacent time steps of the same time series map to nearby points in the embedding space, and (3) time steps with very different raw feature vectors map to far apart regions of the embedding space. To achieve property (3), we employ a nearest neighbor pairing mechanism in the raw feature space. This mechanism also serves as an alternative to data augmentation, a key ingredient of contrastive learning, which lacks a standard procedure that is adequately realistic for clinical tabular data, to our knowledge. We demonstrate that our approach outperforms state-of-the-art baselines in predicting mortality of septic patients (MIMIC-III dataset) and tracking progression of cognitive impairment (ADNI dataset). Our method also consistently recovers the correct synthetic dataset embedding structure across experiments, a feat not achieved by baselines. Our ablation experiments show the pivotal role of our nearest neighbor pairing.
• Abstract（参考訳）: 我々は,患者の興味ある結果の可能性が,患者のデータより多く観察されるにつれてどのように変化するかを予測する問題を考える。 この問題を解決するために,患者時系列の各段階の埋め込み表現を学習する教師付きコントラスト学習フレームワークを提案する。 組込み空間は,(1)組込み空間内の近傍点が類似するクラス確率を持つ,(2)組込み空間内の近傍点に対する同一時系列マップの隣接時間ステップ,(3)全く異なる生特徴ベクトルを持つ時間ステップが組込み空間の遠く離れた領域にマップされる,という特性を持つように学習する。 特性 (3) を達成するために, 原特徴空間に最も近い近傍のペアリング機構を用いる。 このメカニズムは、臨床表形式データに対して適切な現実性を持つ標準的手順を欠いているコントラスト学習の重要な要素であるデータ拡張の代替としても機能する。 本手法は, 敗血症患者 (MIMIC-III データセット) の死亡を予測し, 認知障害者 (ADNI データセット) の進行の追跡において, 最先端のベースラインよりも優れていることを示す。 また,本手法は,実験全体にわたる正しい合成データセットの埋め込み構造を一貫して復元する。 我々のアブレーション実験は、最も近い隣人のペアリングの重要な役割を示している。

関連論文リスト

• Transformer-Based Tooth Alignment Prediction With Occlusion And Collision Constraints [3.5034434329837563]
  スウィントランスに基づく軽量な歯列アライメントニューラルネットワークを提案する。 まず、仮想アーチ線に基づいて3次元点雲を再編成し、それらを秩序な多チャンネルテクスチャに変換する。 次に,上顎と下顎の咬合関係を定量的に評価する2つの新しい咬合損失関数を考案した。
  論文  参考訳（メタデータ） (2024-10-28T07:54:07Z)
• 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)
• 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)
• Contrast Everything: A Hierarchical Contrastive Framework for Medical Time-Series [12.469204999759965]
  COMETは、医療時系列のすべての固有のレベルにおいてデータのコンピテンシーを活用する革新的な階層的フレームワークである。 我々の綿密に設計されたモデルは、観察、サンプル、トライアル、患者レベルという4つの潜在的なレベルからデータ一貫性を体系的にキャプチャする。 心筋梗塞の心電図信号とアルツハイマー病とパーキンソン病の脳波信号を含む3つの多様なデータセットを用いて,COMETと6つのベースラインを比較した。
  論文  参考訳（メタデータ） (2023-10-21T13:59:31Z)
• Multiple-level Point Embedding for Solving Human Trajectory Imputation with Prediction [7.681950806902859]
  空間性は、人間の移動データを含む多くの軌跡データセットで一般的な問題である。 この研究は、より良い結果を得るために、計算と予測の学習プロセスが互いの恩恵を受けるかどうかを調査する予定である。
  論文  参考訳（メタデータ） (2023-01-11T14:13:23Z)
• Learning from Temporal Spatial Cubism for Cross-Dataset Skeleton-based Action Recognition [88.34182299496074]
  アクションラベルはソースデータセットでのみ利用可能だが、トレーニング段階のターゲットデータセットでは利用できない。 我々は,2つの骨格に基づく行動データセット間の領域シフトを低減するために,自己スーパービジョン方式を利用する。 時間的セグメントや人体部分のセグメンテーションとパーフォーミングにより、我々は2つの自己教師あり学習分類タスクを設計する。
  論文  参考訳（メタデータ） (2022-07-17T07:05:39Z)
• Real-time landmark detection for precise endoscopic submucosal dissection via shape-aware relation network [51.44506007844284]
  内視鏡下粘膜下郭清術における高精度かつリアルタイムなランドマーク検出のための形状認識型関係ネットワークを提案する。 まず,ランドマーク間の空間的関係に関する先行知識を直感的に表現する関係キーポイント・ヒートマップを自動生成するアルゴリズムを考案する。 次に、事前知識を学習プロセスに段階的に組み込むために、2つの補完的な正規化手法を開発する。
  論文  参考訳（メタデータ） (2021-11-08T07:57:30Z)
• A Deep Variational Approach to Clustering Survival Data [5.871238645229228]
  変分深層クラスタリングにおけるクラスタサバイバルデータに対する新しい確率的アプローチを提案する。 提案手法は,説明変数と潜在的に検閲された生存時間の両方の分布を明らかにするために,深い生成モデルを用いている。
  論文  参考訳（メタデータ） (2021-06-10T14:10:25Z)
• Trajectories, bifurcations and pseudotime in large clinical datasets: applications to myocardial infarction and diabetes data [94.37521840642141]
  混合データ型と欠落値を特徴とする大規模臨床データセット分析のための半教師付き方法論を提案する。 この手法は、次元の減少、データの可視化、クラスタリング、特徴の選択と、部分的に順序付けられた観測列における測地距離(擬時)の定量化のタスクを同時に扱うことのできる弾性主グラフの適用に基づいている。
  論文  参考訳（メタデータ） (2020-07-07T21:04:55Z)
• A Coupled Manifold Optimization Framework to Jointly Model the Functional Connectomics and Behavioral Data Spaces [5.382679710017696]
  本稿では,コホートに共通する低次元行列多様体にfMRIデータを投影する結合多様体最適化フレームワークを提案する。 患者固有の負荷は、同時に第2の非線形多様体を介して、興味の行動尺度にマップされる。 自閉症スペクトラム障害58例の安静時fMRIの枠組みを検証した。
  論文  参考訳（メタデータ） (2020-07-03T20:12:51Z)
• Temporal Phenotyping using Deep Predictive Clustering of Disease Progression [97.88605060346455]
  我々は、時系列データをクラスタリングするためのディープラーニングアプローチを開発し、各クラスタは、同様の将来的な結果を共有する患者から構成される。 2つの実世界のデータセットに対する実験により、我々のモデルは最先端のベンチマークよりも優れたクラスタリング性能が得られることが示された。
  論文  参考訳（メタデータ） (2020-06-15T20:48:43Z)

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。