論文の概要: Interpretable Prediction and Feature Selection for Survival Analysis

• arxiv url: http://arxiv.org/abs/2404.14689v1
• Date: Tue, 23 Apr 2024 02:36:54 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-24 15:31:26.748950
• Title: Interpretable Prediction and Feature Selection for Survival Analysis
• Title（参考訳）: 生存分析のための解釈予測と特徴選択
• Authors: Mike Van Ness, Madeleine Udell,
• Abstract要約: 我々は、強い差別と解釈可能性の両方を達成する新しい生存分析モデルであるDyS(dice'と発音する)を提示する。 DySは、特徴選択と解釈可能な予測を1つのモデルに組み合わせた、機能スパースな一般化付加モデルである。
• 参考スコア（独自算出の注目度）: 18.987678432106563
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Survival analysis is widely used as a technique to model time-to-event data when some data is censored, particularly in healthcare for predicting future patient risk. In such settings, survival models must be both accurate and interpretable so that users (such as doctors) can trust the model and understand model predictions. While most literature focuses on discrimination, interpretability is equally as important. A successful interpretable model should be able to describe how changing each feature impacts the outcome, and should only use a small number of features. In this paper, we present DyS (pronounced ``dice''), a new survival analysis model that achieves both strong discrimination and interpretability. DyS is a feature-sparse Generalized Additive Model, combining feature selection and interpretable prediction into one model. While DyS works well for all survival analysis problems, it is particularly useful for large (in $n$ and $p$) survival datasets such as those commonly found in observational healthcare studies. Empirical studies show that DyS competes with other state-of-the-art machine learning models for survival analysis, while being highly interpretable.
• Abstract（参考訳）: 生存分析は、いくつかのデータが検閲されたときに、特に将来の患者のリスクを予測するための医療において、時間から時間までのデータをモデル化する技術として広く用いられている。 このような設定では、サバイバルモデルは正確かつ解釈可能でなければならないので、ユーザ(医師など)はモデルを信頼し、モデル予測を理解することができる。 ほとんどの文献は差別に焦点を当てているが、解釈可能性も同様に重要である。 成功した解釈可能なモデルでは、各機能の変更が結果にどのように影響するかを記述でき、少数の機能しか使用すべきである。 本稿では,強い差別と解釈可能性の両方を達成する新たな生存分析モデルであるDyS("dice'"と発音する)を提案する。 DySは、特徴選択と解釈可能な予測を1つのモデルに組み合わせた、機能スパースな一般化付加モデルである。 DySは、すべての生存分析問題に対してうまく機能するが、観察医療研究でよく見られるような、大きな($n$と$p$の)生存データセットには特に有用である。 実証的な研究によると、DySは他の最先端の機械学習モデルと競合し、生存分析を行う一方で、高度に解釈可能である。

関連論文リスト

• 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)
• Robust and Interpretable Medical Image Classifiers via Concept Bottleneck Models [49.95603725998561]
  本稿では,自然言語の概念を用いた堅牢で解釈可能な医用画像分類器を構築するための新しいパラダイムを提案する。 具体的には、まず臨床概念をGPT-4から検索し、次に視覚言語モデルを用いて潜在画像の特徴を明示的な概念に変換する。
  論文  参考訳（メタデータ） (2023-10-04T21:57:09Z)
• 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)
• Interpretable machine learning for time-to-event prediction in medicine and healthcare [7.416913210816592]
  時間依存的な特徴効果とグローバルな特徴重大説明を導入する。 我々は、ポストホックな解釈手法が、滞在期間を予測するAIシステムのバイアスを見つけるのにどのように役立つかを示す。 我々は,がんの生存率を予測性能を超えて評価し,マルチオミクスの特徴群の重要性を考察した。
  論文  参考訳（メタデータ） (2023-03-17T07:53:18Z)
• 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)
• SurvSHAP(t): Time-dependent explanations of machine learning survival models [6.950862982117125]
  SurvSHAP(t)は、生存可能なブラックボックスモデルの解釈を可能にする最初の時間依存的な説明である。 合成および医療データの実験により、SurvSHAP(t)が時間依存効果で変数を検出できることが確認された。 我々はPythonで時間に依存した説明のアクセス可能な実装を提供する。
  論文  参考訳（メタデータ） (2022-08-23T17:01:14Z)
• 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)
• Deep Co-Attention Network for Multi-View Subspace Learning [73.3450258002607]
  マルチビューサブスペース学習のための深層コアテンションネットワークを提案する。 共通情報と相補情報の両方を敵意で抽出することを目的としている。 特に、新しいクロス再構成損失を使用し、ラベル情報を利用して潜在表現の構築を誘導する。
  論文  参考訳（メタデータ） (2021-02-15T18:46:44Z)
• MIMIC-IF: Interpretability and Fairness Evaluation of Deep Learning Models on MIMIC-IV Dataset [15.436560770086205]
  MIMIC-IV (Medical Information Mart for Intensive Care, Version IV) は,医療データセットとして最大規模である。 本研究では,データセット表現バイアスの包括的解析と,深層学習モデルの解釈可能性と予測フェアネスを用いて,病院内死亡率予測を行う。
  論文  参考訳（メタデータ） (2021-02-12T20:28:06Z)
• 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)

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。