論文の概要: A Multimodal Object-level Contrast Learning Method for Cancer Survival Risk Prediction

• arxiv url: http://arxiv.org/abs/2409.02145v1
• Date: Tue, 3 Sep 2024 07:36:34 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-05 21:50:21.097927
• Title: A Multimodal Object-level Contrast Learning Method for Cancer Survival Risk Prediction
• Title（参考訳）: がん生存リスク予測のためのマルチモーダルオブジェクトレベルのコントラスト学習法
• Authors: Zekang Yang, Hong Liu, Xiangdong Wang,
• Abstract要約: コンピュータ支援によるがん生存予測は、患者のタイムリーな治療において重要な役割を担っている。 がん生存リスク予測のための新しいトレーニング手法であるマルチモーダルオブジェクトレベルのコントラスト学習を提案する。 提案手法により訓練された生存リスク予測器は、2つの公共マルチモーダル癌データセット上で最先端の手法より優れている。
• 参考スコア（独自算出の注目度）: 9.005219442274344
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Computer-aided cancer survival risk prediction plays an important role in the timely treatment of patients. This is a challenging weakly supervised ordinal regression task associated with multiple clinical factors involved such as pathological images, genomic data and etc. In this paper, we propose a new training method, multimodal object-level contrast learning, for cancer survival risk prediction. First, we construct contrast learning pairs based on the survival risk relationship among the samples in the training sample set. Then we introduce the object-level contrast learning method to train the survival risk predictor. We further extend it to the multimodal scenario by applying cross-modal constrast. Considering the heterogeneity of pathological images and genomics data, we construct a multimodal survival risk predictor employing attention-based and self-normalizing based nerural network respectively. Finally, the survival risk predictor trained by our proposed method outperforms state-of-the-art methods on two public multimodal cancer datasets for survival risk prediction.
• Abstract（参考訳）: コンピュータ支援によるがん生存予測は、患者のタイムリーな治療において重要な役割を担っている。 これは、病理画像やゲノムデータなど、複数の臨床要因にかかわる、弱い監督された順序回帰課題である。 本稿では,癌生存リスク予測のための新しいトレーニング手法であるマルチモーダルオブジェクトレベルのコントラスト学習を提案する。 まず,トレーニングサンプルセット内のサンプル間の生存リスク関係に基づいて,コントラスト学習ペアを構築した。 次に、オブジェクトレベルのコントラスト学習手法を導入し、生存リスク予測器を訓練する。 クロスモーダルコンストラストを適用することで、さらにマルチモーダルシナリオに拡張する。 病理画像とゲノミクスデータの異質性を考慮すると,注意に基づく神経ネットワークと自己正規化に基づく神経ネットワークを用いたマルチモーダル生存リスク予測器を構築する。 最後に,本手法により訓練された生存リスク予測器は,生存リスク予測のための2つの公共マルチモーダル癌データセットにおいて,最先端の手法よりも優れていた。

関連論文リスト

• HACSurv: A Hierarchical Copula-based Approach for Survival Analysis with Dependent Competing Risks [51.95824566163554]
  HACSurvは、競合するリスクを持つデータから構造や原因特異的生存関数を学習する生存分析手法である。 リスクと検閲の間の依存関係をキャプチャすることで、HACSurvはより良い生存予測を実現する。
  論文  参考訳（メタデータ） (2024-10-19T18:52:18Z)
• Advancing Head and Neck Cancer Survival Prediction via Multi-Label Learning and Deep Model Interpretation [7.698783025721071]
  我々は,複数のHNC生存率を同時に予測するための,解釈可能なマルチラベル・マルチモーダル・ディープ・サバイバル予測フレームワーク IMLSP を提案する。 また、深層生存モデル視覚説明のために開発された、グラディエント重み付き時間イベント活性化マッピング手法であるGrad-TEAMを提案する。
  論文  参考訳（メタデータ） (2024-05-09T01:30:04Z)
• Seeing Unseen: Discover Novel Biomedical Concepts via Geometry-Constrained Probabilistic Modeling [53.7117640028211]
  同定された問題を解決するために,幾何制約付き確率的モデリング処理を提案する。 構成された埋め込み空間のレイアウトに適切な制約を課すために、重要な幾何学的性質のスイートを組み込む。 スペクトルグラフ理論法は、潜在的な新規クラスの数を推定するために考案された。
  論文  参考訳（メタデータ） (2024-03-02T00:56:05Z)
• 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)
• Deep Learning of Semi-Competing Risk Data via a New Neural Expectation-Maximization Algorithm [5.253100011321437]
  私たちのモチベーションはボストン肺がん研究(Boston Lung Cancer Study)から来ています。 本稿では,古典的統計的アプローチと機械学習のギャップを埋めるために,ニューラル予測最大化アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-12-22T20:38:57Z)
• Boosting the interpretability of clinical risk scores with intervention predictions [59.22442473992704]
  本稿では、今後の介入に関するモデルの仮定を明確に伝達する手段として、介入政策と有害事象リスクの合同モデルを提案する。 死亡確率などの典型的なリスクスコアと将来の介入確率スコアとを組み合わせることで、より解釈可能な臨床予測がもたらされることを示す。
  論文  参考訳（メタデータ） (2022-07-06T19:49:42Z)
• 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)
• EPIC-Survival: End-to-end Part Inferred Clustering for Survival Analysis, Featuring Prognostic Stratification Boosting [0.0]
  epic-survival bridgeは、エンドツーエンドサバイバルモデリングアプローチにエンコードし、集約する。 肝内胆管癌のモデルとしてEPIC-Survivalが有用であった。
  論文  参考訳（メタデータ） (2021-01-26T21:11:45Z)
• Deep-CR MTLR: a Multi-Modal Approach for Cancer Survival Prediction with Competing Risks [0.4189643331553922]
  本稿では,癌生存予測のための新しい機械学習手法であるDeep-CR MTLRを提案する。 2552頭頸部癌患者のコホートにおける単一モダリティ予測器に対するマルチモーダルアプローチの予後改善効果を実証した。
  論文  参考訳（メタデータ） (2020-12-10T15:51:47Z)
• Survival Cluster Analysis [93.50540270973927]
  異なるリスクプロファイルを持つサブポピュレーションを特定するために、生存分析には未解決の必要性がある。 このニーズに対処するアプローチは、個々の成果のキャラクタリゼーションを改善する可能性が高い。
  論文  参考訳（メタデータ） (2020-02-29T22:41:21Z)

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。