論文の概要: LSTM-COX Model: A Concise and Efficient Deep Learning Approach for Handling Recurrent Events

• arxiv url: http://arxiv.org/abs/2405.18518v1
• Date: Tue, 28 May 2024 18:38:15 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-30 22:03:07.123723
• Title: LSTM-COX Model: A Concise and Efficient Deep Learning Approach for Handling Recurrent Events
• Title（参考訳）: LSTM-COXモデル:反復イベント処理のための簡潔かつ効率的な深層学習手法
• Authors: Zhang Runquan, Shi Xiaoping,
• Abstract要約: 本研究では,Long Short-Term Memory Network(LSTM)とCoxモデルを組み合わせることにより,モデルの性能を向上させる。 従来のモデルと比較して,LSTM-Coxモデルは臨床リスクの特徴抽出の精度を大幅に向上させる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In the current field of clinical medicine, traditional methods for analyzing recurrent events have limitations when dealing with complex time-dependent data. This study combines Long Short-Term Memory networks (LSTM) with the Cox model to enhance the model's performance in analyzing recurrent events with dynamic temporal information. Compared to classical models, the LSTM-Cox model significantly improves the accuracy of extracting clinical risk features and exhibits lower Akaike Information Criterion (AIC) values, while maintaining good performance on simulated datasets. In an empirical analysis of bladder cancer recurrence data, the model successfully reduced the mean squared error during the training phase and achieved a Concordance index of up to 0.90 on the test set. Furthermore, the model effectively distinguished between high and low-risk patient groups, and the identified recurrence risk features such as the number of tumor recurrences and maximum size were consistent with other research and clinical trial results. This study not only provides a straightforward and efficient method for analyzing recurrent data and extracting features but also offers a convenient pathway for integrating deep learning techniques into clinical risk prediction systems.
• Abstract（参考訳）: 現在の臨床医学の分野では、リカレント事象を解析するための従来の手法は、複雑な時間依存データを扱う際に制限がある。 本研究では,Long Short-Term Memory Network (LSTM) とCoxモデルを組み合わせることで,動的時間的情報を用いて繰り返しイベントを解析する際のモデルの性能を向上させる。 従来のモデルと比較して、LSTM-Coxモデルは臨床リスクの特徴抽出の精度を大幅に向上させ、シミュレーションデータセット上での良好な性能を維持しつつ、Akaike Information Criterion(AIC)の低い値を示す。 膀胱癌再発データを実験的に解析し, トレーニング期間中の平均2乗誤差を低減し, テストセットで最大0.90のコンコーダンス指数を達成した。 さらに,高リスク群と低リスク群を効果的に区別し,腫瘍再発数や最大サイズなどの再発リスクの特徴を他の研究および臨床試験結果と一致させた。 本研究は,再帰的データの解析と特徴抽出の簡便かつ効率的な方法を提供するだけでなく,深層学習技術を臨床リスク予測システムに統合するための便利な経路を提供する。

関連論文リスト

• SeqRisk: Transformer-augmented latent variable model for improved survival prediction with longitudinal data [4.1476925904032464]
  本研究では,変分オートエンコーダ (VAE) と長手VAE (LVAE) をトランスフォーマーエンコーダとコックス比例ハザードモジュールに結合してリスク予測を行う手法であるSeqRiskを提案する。 SeqRiskは、シミュレーションと実世界の両方のデータセットにおける既存のアプローチと比較して、競合的に機能することを示した。
  論文  参考訳（メタデータ） (2024-09-19T12:35:25Z)
• 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)
• Kernel Cox partially linear regression: building predictive models for cancer patients' survival [4.230753712933184]
  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。
  論文  参考訳（メタデータ） (2023-10-11T04:27:54Z)
• The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease detection [51.697248252191265]
  この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。 我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。 このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
  論文  参考訳（メタデータ） (2023-09-13T10:40:41Z)
• SurvLatent ODE : A Neural ODE based time-to-event model with competing risks for longitudinal data improves cancer-associated Deep Vein Thrombosis (DVT) prediction [68.8204255655161]
  本稿では,不規則なサンプルデータの下で潜在表現をパラメータ化する生成時間対イベントモデルSurvLatent ODEを提案する。 そこで,本モデルでは,事象特異的ハザード関数の形状を指定せずに,複数の競合イベントの生存時間を柔軟に推定する。 SurvLatent ODEは、DVTリスクグループを成層化するために、現在の臨床標準であるKhorana Riskスコアより優れている。
  論文  参考訳（メタデータ） (2022-04-20T17:28:08Z)
• Closed-form Continuous-Depth Models [99.40335716948101]
  連続深度ニューラルモデルは高度な数値微分方程式解法に依存している。 我々は,CfCネットワークと呼ばれる,記述が簡単で,少なくとも1桁高速な新しいモデル群を提示する。
  論文  参考訳（メタデータ） (2021-06-25T22:08:51Z)
• A multi-stage machine learning model on diagnosis of esophageal manometry [50.591267188664666]
  このフレームワークには、飲み込みレベルにおけるディープラーニングモデルと、学習レベルにおける機能ベースの機械学習モデルが含まれている。 これは、生のマルチスワローデータからHRM研究のCC診断を自動的に予測する最初の人工知能モデルである。
  論文  参考訳（メタデータ） (2021-06-25T20:09:23Z)
• 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)
• MIA-Prognosis: A Deep Learning Framework to Predict Therapy Response [58.0291320452122]
  本稿では,患者の予後と治療反応を予測するための統合型深層学習手法を提案する。 我々は,マルチモーダル非同期時系列分類タスクとして,確率モデリングを定式化する。 我々の予測モデルは、長期生存の観点から、低リスク、高リスクの患者をさらに階層化する可能性がある。
  論文  参考訳（メタデータ） (2020-10-08T15:30:17Z)
• Convolutional Tensor-Train LSTM for Spatio-temporal Learning [116.24172387469994]
  本稿では,ビデオシーケンスの長期相関を効率的に学習できる高次LSTMモデルを提案する。 これは、時間をかけて畳み込み特徴を組み合わせることによって予測を行う、新しいテンソルトレインモジュールによって達成される。 この結果は,幅広いアプリケーションやデータセットにおいて,最先端のパフォーマンス向上を実現している。
  論文  参考訳（メタデータ） (2020-02-21T05:00:01Z)

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。