論文の概要: CohortNet: Empowering Cohort Discovery for Interpretable Healthcare Analytics

• arxiv url: http://arxiv.org/abs/2406.14015v1
• Date: Thu, 20 Jun 2024 06:12:23 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-21 15:10:05.817179
• Title: CohortNet: Empowering Cohort Discovery for Interpretable Healthcare Analytics
• Title（参考訳）: CohortNet: 解釈可能なヘルスケア分析にCohort Discoveryを活用
• Authors: Qingpeng Cai, Kaiping Zheng, H. V. Jagadish, Beng Chin Ooi, James Yip,
• Abstract要約: 本稿では,コホート自己発見モデルであるCohortNetを提案する。 CohortNetは、個々の機能を個別に処理することで、きめ細かい患者の表現を学習する。 それぞれの特徴を異なる状態に分類し、コホート探索戦略を採用する。
• 参考スコア（独自算出の注目度）: 23.284528154162977
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Cohort studies are of significant importance in the field of healthcare analysis. However, existing methods typically involve manual, labor-intensive, and expert-driven pattern definitions or rely on simplistic clustering techniques that lack medical relevance. Automating cohort studies with interpretable patterns has great potential to facilitate healthcare analysis but remains an unmet need in prior research efforts. In this paper, we propose a cohort auto-discovery model, CohortNet, for interpretable healthcare analysis, focusing on the effective identification, representation, and exploitation of cohorts characterized by medically meaningful patterns. CohortNet initially learns fine-grained patient representations by separately processing each feature, considering both individual feature trends and feature interactions at each time step. Subsequently, it classifies each feature into distinct states and employs a heuristic cohort exploration strategy to effectively discover substantial cohorts with concrete patterns. For each identified cohort, it learns comprehensive cohort representations with credible evidence through associated patient retrieval. Ultimately, given a new patient, CohortNet can leverage relevant cohorts with distinguished importance, which can provide a more holistic understanding of the patient's conditions. Extensive experiments on three real-world datasets demonstrate that it consistently outperforms state-of-the-art approaches and offers interpretable insights from diverse perspectives in a top-down fashion.
• Abstract（参考訳）: コホート研究は、医療分析の分野で重要である。 しかし、既存の手法は通常、手動、労働集約、専門家主導のパターン定義、あるいは医学的関連性に欠ける単純化されたクラスタリング技術に依存している。 解釈可能なパターンによるコホート研究の自動化は、医療分析を促進する大きな可能性を秘めている。 本稿では,コホート自己発見モデルであるCohortNetを提案する。 CohortNetは最初、個々の特徴トレンドと各時間ステップにおける機能相互作用の両方を考慮して、個々の特徴を個別に処理することで、きめ細かい患者表現を学習する。 その後、それぞれの特徴を異なる状態に分類し、ヒューリスティックなコホート探索戦略を用いて、具体的なパターンを持つ実質的なコホートを効果的に発見する。 特定されたコホートごとに、関連する患者の検索を通じて、信頼できる証拠を伴う包括的コホート表現を学習する。 最終的に、新しい患者がいると、CohortNetは重要なコホートを活用でき、患者の状態をより包括的に理解することができる。 3つの実世界のデータセットに対する大規模な実験は、最先端のアプローチを一貫して上回り、トップダウンの方法でさまざまな視点から解釈可能な洞察を提供することを示した。

関連論文リスト

• Ambiguous Medical Image Segmentation using Diffusion Models [60.378180265885945]
  我々は,グループ洞察の分布を学習することで,複数の可算出力を生成する単一拡散モデルに基づくアプローチを提案する。 提案モデルでは,拡散の固有のサンプリングプロセスを利用してセグメンテーションマスクの分布を生成する。 その結果,提案手法は既存の最先端曖昧なセグメンテーションネットワークよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2023-04-10T17:58:22Z)
• Toward Cohort Intelligence: A Universal Cohort Representation Learning Framework for Electronic Health Record Analysis [15.137213823470544]
  本稿では, 患者間の詳細なコホート情報を活用することで, EHR活用を促進するための共通コホート表現 lEarning (CORE) フレームワークを提案する。 COREは多様なバックボーンモデルに容易に適用でき、コホート情報を医療手法に注入してパフォーマンスを高める普遍的なプラグインフレームワークとして機能する。
  論文  参考訳（メタデータ） (2023-04-10T09:12:37Z)
• Contrastive learning for unsupervised medical image clustering and reconstruction [0.23624125155742057]
  本稿では,非教師なしのオートエンコーダフレームワークを提案する。 提案手法は教師付きアーキテクチャと同じような性能を達成し,潜伏空間における分離が専門家の医療観察者指定ラベルを再現することを示す。
  論文  参考訳（メタデータ） (2022-09-24T13:17:02Z)
• Patient Aware Active Learning for Fine-Grained OCT Classification [12.89552245538411]
  本稿では,アクティブラーニングのサンプル選択プロセスに臨床知見を取り入れたフレームワークを提案する。 医学的に解釈可能な能動学習フレームワークは, OCT分類の性能向上のために, 患者から多彩な疾患の徴候を捉えている。
  論文  参考訳（メタデータ） (2022-06-23T05:47:51Z)
• MIMO: Mutual Integration of Patient Journey and Medical Ontology for Healthcare Representation Learning [49.57261599776167]
  本稿では、医療表現学習と予測分析のための、エンドツーエンドの堅牢なトランスフォーマーベースのソリューション、患者旅行の相互統合、医療オントロジー(MIMO)を提案する。
  論文  参考訳（メタデータ） (2021-07-20T07:04:52Z)
• Evaluation of Complexity Measures for Deep Learning Generalization in Medical Image Analysis [77.34726150561087]
  PAC-ベイズ平坦度とパスノルムに基づく測度は、モデルとデータの組み合わせについて最も一貫した説明をもたらす。 また,乳房画像に対するマルチタスク分類とセグメンテーションのアプローチについても検討した。
  論文  参考訳（メタデータ） (2021-03-04T20:58:22Z)
• 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)
• Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype Prediction [55.94378672172967]
  本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。 新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。 我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
  論文  参考訳（メタデータ） (2020-09-02T02:50:30Z)
• 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)
• Deep Representation Learning of Electronic Health Records to Unlock Patient Stratification at Scale [0.5498849973527224]
  ヘテロジニアスEHRを処理するためのディープラーニングに基づく教師なしフレームワークを提案する。 患者層形成を効果的かつ効果的に行うことができる患者表現を導出する。
  論文  参考訳（メタデータ） (2020-03-14T00:04:20Z)

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。