論文の概要: SurvRNC: Learning Ordered Representations for Survival Prediction using Rank-N-Contrast

• arxiv url: http://arxiv.org/abs/2403.10603v1
• Date: Fri, 15 Mar 2024 18:00:11 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-19 22:44:00.354177
• Title: SurvRNC: Learning Ordered Representations for Survival Prediction using Rank-N-Contrast
• Title（参考訳）: SurvRNC: Rank-N-Contrast を用いた生存予測のための学習順序付き表現
• Authors: Numan Saeed, Muhammad Ridzuan, Fadillah Adamsyah Maani, Hussain Alasmawi, Karthik Nandakumar, Mohammad Yaqub,
• Abstract要約: Survival Rank-N Contrast (SurvRNC) は、生存時間に基づいて順序付けられた表現を得るための正規化器としての損失関数である。 訓練にSurvRNC法を用いることで,異なる深層生存モデルにおいて高い性能が得られることを示す。
• 参考スコア（独自算出の注目度）: 4.5445892770974154
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Predicting the likelihood of survival is of paramount importance for individuals diagnosed with cancer as it provides invaluable information regarding prognosis at an early stage. This knowledge enables the formulation of effective treatment plans that lead to improved patient outcomes. In the past few years, deep learning models have provided a feasible solution for assessing medical images, electronic health records, and genomic data to estimate cancer risk scores. However, these models often fall short of their potential because they struggle to learn regression-aware feature representations. In this study, we propose Survival Rank-N Contrast (SurvRNC) method, which introduces a loss function as a regularizer to obtain an ordered representation based on the survival times. This function can handle censored data and can be incorporated into any survival model to ensure that the learned representation is ordinal. The model was extensively evaluated on a HEad \& NeCK TumOR (HECKTOR) segmentation and the outcome-prediction task dataset. We demonstrate that using the SurvRNC method for training can achieve higher performance on different deep survival models. Additionally, it outperforms state-of-the-art methods by 3.6% on the concordance index. The code is publicly available on https://github.com/numanai/SurvRNC
• Abstract（参考訳）: 早期に予後に関する貴重な情報を提供するため、がんと診断された個人にとって生存可能性の予測は最重要事項である。 この知識は、患者結果の改善につながる効果的な治療計画の定式化を可能にする。 過去数年間、ディープラーニングモデルは、がんリスクスコアを推定するための医療画像、電子健康記録、ゲノムデータを評価するための実現可能なソリューションを提供してきた。 しかしながら、これらのモデルは回帰対応の特徴表現を学ぶのに苦労するため、ポテンシャルに欠けることが多い。 本研究では,サバイバル・ランクNコントラスト(SurvRNC)法を提案する。サバイバル・ランクNコントラスト(SurvRNC)法は,サバイバル時間に基づく順序表現を得るために正規化器として損失関数を導入する。 この関数は検閲されたデータを扱うことができ、学習された表現が順序づけられていることを保証するため、サバイバルモデルに組み込むことができる。 このモデルは、HECKTOR(Head \&Neck Tumor)セグメンテーションと結果予測タスクデータセットで広範囲に評価された。 訓練にSurvRNC法を用いることで,異なる深層生存モデルにおいて高い性能が得られることを示す。 さらに、コンコータンス指数で最先端の手法を3.6%上回る。 コードはhttps://github.com/numanai/SurvRNCで公開されている。

関連論文リスト

• A Knowledge Distillation Approach for Sepsis Outcome Prediction from Multivariate Clinical Time Series [2.621671379723151]
  我々は、制約付き変分推論による知識蒸留を用いて、強力な「教師」ニューラルネットワークモデルの知識を蒸留する。 我々は「学生」潜在変数モデルを訓練し、解釈可能な隠れ状態表現を学習し、セシス結果予測のための高い予測性能を達成する。
  論文  参考訳（メタデータ） (2023-11-16T05:06:51Z)
• Interpretable Survival Analysis for Heart Failure Risk Prediction [50.64739292687567]
  現状の生存モデルと解釈可能かつ競合する新しい生存分析パイプラインを提案する。 我々のパイプラインは最先端のパフォーマンスを達成し、心不全のリスク要因に関する興味深い新しい洞察を提供する。
  論文  参考訳（メタデータ） (2023-10-24T02:56:05Z)
• 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)
• Unleashing the Power of Extra-Tree Feature Selection and Random Forest Classifier for Improved Survival Prediction in Heart Failure Patients [0.0]
  心臓不全は、世界中の何百万人もの人に影響を及ぼす生命の危険がある状態です。 患者生存を正確に予測できる能力は、早期介入の助けとなり、患者の結果を改善することができる。
  論文  参考訳（メタデータ） (2023-08-09T11:47:28Z)
• SurvivalGAN: Generating Time-to-Event Data for Survival Analysis [121.84429525403694]
  検閲と時間的地平線の不均衡は、生成モデルに生存分析に特有の3つの新しい障害モードを経験させる。 本稿では,検閲やイベントの地平線における不均衡に対処し,生存データを扱う生成モデルであるSurvivalGANを提案する。 医療データセットに関する広範な実験により,本手法の評価を行った。
  論文  参考訳（メタデータ） (2023-02-24T17:03:51Z)
• Reverse Survival Model (RSM): A Pipeline for Explaining Predictions of Deep Survival Models [0.0]
  本稿では、生存モデルの決定過程に関する詳細な知見を提供する逆生存モデル(RSM)フレームワークを提案する。 興味のある患者それぞれに対して、RCMはデータセットから類似の患者を抽出し、彼らの予測に深い生存モデルが依存する最も関連性の高い特徴に基づいてそれらをランク付けすることができる。
  論文  参考訳（メタデータ） (2022-10-27T03:39:01Z)
• Censor-aware Semi-supervised Learning for Survival Time Prediction from Medical Images [19.76675556520657]
  検閲されたデータと検閲されていないデータを用いて生存時間を予測できる新しいトレーニング手法を提案する。 TCGA-GMおよびNLSTデータセットの病理像とX線像について検討した。
  論文  参考訳（メタデータ） (2022-05-26T08:39:02Z)
• Practical Challenges in Differentially-Private Federated Survival Analysis of Medical Data [57.19441629270029]
  本稿では,ニューラルネットワークの本質的特性を活用し,生存分析モデルの訓練過程を関連づける。 小さな医療データセットと少数のデータセンターの現実的な設定では、このノイズはモデルを収束させるのが難しくなります。 DPFed-post は,私的フェデレート学習方式に後処理の段階を追加する。
  論文  参考訳（メタデータ） (2022-02-08T10:03:24Z)
• Predicting Patient Readmission Risk from Medical Text via Knowledge Graph Enhanced Multiview Graph Convolution [67.72545656557858]
  本稿では,電子健康記録の医用テキストを予測に用いる新しい手法を提案する。 外部知識グラフによって強化された多視点グラフを有する患者の退院サマリーを表現している。 実験により,本手法の有効性が証明され,最先端の性能が得られた。
  論文  参考訳（メタデータ） (2021-12-19T01:45:57Z)
• Glioblastoma Multiforme Patient Survival Prediction [1.0650780147044159]
  そこで我々は,手作り画像とラジオミクス機能を利用した4つの回帰器を用いた生存予後モデルを提案する。 その結果,手作りの特徴は生存予測と強い相関を示した。 勾配上昇と放射能形状の特徴を持つコンセンサスベースの回帰器は生存予測に最適である。
  論文  参考訳（メタデータ） (2021-01-26T06:47:14Z)
• 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)

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。