論文の概要: Uncertainty Quantification on Clinical Trial Outcome Prediction
- arxiv url: http://arxiv.org/abs/2401.03482v1
- Date: Sun, 7 Jan 2024 13:48:05 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-09 18:36:36.029647
- Title: Uncertainty Quantification on Clinical Trial Outcome Prediction
- Title（参考訳）: 臨床試験結果予測の不確実性定量化
- Authors: Tianyi Chen, Nan Hao, Yingzhou Lu, Capucine Van Rechem
- Abstract要約: 本稿では,不確実性の定量化を臨床治験結果の予測に取り入れることを提案する。
私たちの主な目標は、ニュアンスドの違いを識別するモデルの能力を強化することです。
我々は目的を達成するために選択的な分類手法を採用した。
- 参考スコア（独自算出の注目度）: 29.122979947555418
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The importance of uncertainty quantification is increasingly recognized in
the diverse field of machine learning. Accurately assessing model prediction
uncertainty can help provide deeper understanding and confidence for
researchers and practitioners. This is especially critical in medical diagnosis
and drug discovery areas, where reliable predictions directly impact research
quality and patient health.
In this paper, we proposed incorporating uncertainty quantification into
clinical trial outcome predictions. Our main goal is to enhance the model's
ability to discern nuanced differences, thereby significantly improving its
overall performance.
We have adopted a selective classification approach to fulfill our objective,
integrating it seamlessly with the Hierarchical Interaction Network (HINT),
which is at the forefront of clinical trial prediction modeling. Selective
classification, encompassing a spectrum of methods for uncertainty
quantification, empowers the model to withhold decision-making in the face of
samples marked by ambiguity or low confidence, thereby amplifying the accuracy
of predictions for the instances it chooses to classify. A series of
comprehensive experiments demonstrate that incorporating selective
classification into clinical trial predictions markedly enhances the model's
performance, as evidenced by significant upticks in pivotal metrics such as
PR-AUC, F1, ROC-AUC, and overall accuracy.
Specifically, the proposed method achieved 32.37\%, 21.43\%, and 13.27\%
relative improvement on PR-AUC over the base model (HINT) in phase I, II, and
III trial outcome prediction, respectively. When predicting phase III, our
method reaches 0.9022 PR-AUC scores.
These findings illustrate the robustness and prospective utility of this
strategy within the area of clinical trial predictions, potentially setting a
new benchmark in the field.
- Abstract（参考訳）: 不確実性定量化の重要性は、機械学習のさまざまな分野においてますます認識されている。
モデル予測の不確実性を正確に評価することは、研究者や実践者に深い理解と信頼をもたらす。
これは医療診断や薬物発見の分野で特に重要であり、信頼性の高い予測が研究の質や患者の健康に直接影響を及ぼす。
本稿では,臨床試験の結果予測に不確実性定量化を導入することを提案する。
我々の主な目標は、相違点を識別するモデルの能力を高め、それによって全体的なパフォーマンスを大幅に向上させることです。
我々は,臨床治験予測モデルの最前線にある階層的相互作用ネットワーク(HINT)とシームレスに統合し,目的を達成するための選択的分類手法を採用した。
不確実性定量化の手法のスペクトルを包含する選択的分類は、あいまいさや低い信頼度でマークされたサンプルに対して意思決定を控えるようにモデルに権限を与え、分類するインスタンスの予測の正確さを増幅する。
臨床試験の予測に選択的分類を組み込むことで、pr-auc、f1、roc-auc、および全体的な正確性といった重要な指標の大幅な上昇が証明されるように、モデルの性能が著しく向上する。
具体的には,第I相,第II相,第III相の試験結果予測において,PR-AUCに対する32.37\%,21.43\%,13.27\%の改善が得られた。
位相IIIの予測では, PR-AUCスコア0.9022に達する。
これらの結果は、臨床試験予測領域におけるこの戦略の堅牢性と将来性を示し、この分野に新たなベンチマークを設置する可能性がある。
関連論文リスト
- Predictive uncertainty estimation in deep learning for lung carcinoma classification in digital pathology under real dataset shifts [2.309018557701645]
本稿では,予測不確実性推定が深層学習に基づく診断意思決定システムに堅牢性をもたらすか否かを評価する。
まず, モンテカルロの脱落, 深層アンサンブル, 肺腺癌分類の軽微な学習をスライド画像全体の一次疾患として, 予測不確実性を改善するための一般的な3つの方法について検討した。
論文 参考訳（メタデータ） (2024-08-15T21:49:43Z) - SepsisLab: Early Sepsis Prediction with Uncertainty Quantification and Active Sensing [67.8991481023825]
セプシスは米国での院内死亡の主な原因である。
既存の予測モデルは通常、情報不足の少ない高品質なデータで訓練される。
限られた観察により信頼性の低い高リスク患者に対して,ロバストな能動センシングアルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-07-24T04:47:36Z) - Uncertainty estimations methods for a deep learning model to aid in
clinical decision-making -- a clinician's perspective [0.0]
深層学習にインスパイアされた不確実性推定技術はいくつかあるが、医療データセットに実装されているものはほとんどない。
我々は,不確かさを推定するために,ドロップアウト変動推論(DO),テスト時間拡張(TTA),共形予測,単一決定論的手法を比較した。
臨床実習にモデルを組み込む前に,複数の推定手法を評価することが重要である。
論文 参考訳（メタデータ） (2022-10-02T17:54:54Z) - Improving Trustworthiness of AI Disease Severity Rating in Medical
Imaging with Ordinal Conformal Prediction Sets [0.7734726150561088]
統計的に厳密な不確実性定量化の欠如は、AI結果の信頼を損なう重要な要因である。
分布自由不確実性定量化の最近の進歩は、これらの問題に対する実用的な解決策である。
本稿では, 正しい狭窄の重症度を含むことが保証される順序予測セットを形成する手法を実証する。
論文 参考訳（メタデータ） (2022-07-05T18:01:20Z) - Literature-Augmented Clinical Outcome Prediction [10.46990394710927]
EBMとAIベースの臨床モデルとのギャップを埋める技術を導入する。
集中治療(ICU)患者情報に基づいて患者固有の文献を自動的に検索するシステムを提案する。
我々のモデルは,最近の強靭なベースラインと比較して,3つの課題に対する予測精度を大幅に向上させることができる。
論文 参考訳（メタデータ） (2021-11-16T11:19:02Z) - 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) - Bayesian prognostic covariate adjustment [59.75318183140857]
疾患の結果に関する歴史的データは、様々な方法で臨床試験の分析に組み込むことができる。
我々は, 予測モデルからの予後スコアを用いて, 治療効果推定の効率を向上する既存の文献に基づいて構築する。
論文 参考訳（メタデータ） (2020-12-24T05:19:03Z) - 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) - UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced
Data [81.00385374948125]
我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。
UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。
非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。
UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
論文 参考訳（メタデータ） (2020-10-22T02:28:11Z) - Uncertainty estimation for classification and risk prediction on medical
tabular data [0.0]
本研究は,医療データの分類とリスク予測のための不確実性推定の理解を深めるものである。
医療などのデータ共有分野において、モデルの予測の不確実性を測定する能力は、意思決定支援ツールの改善につながる可能性がある。
論文 参考訳（メタデータ） (2020-04-13T08:46:41Z)
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。