論文の概要: MENSA: A Multi-Event Network for Survival Analysis under Informative Censoring
- arxiv url: http://arxiv.org/abs/2409.06525v1
- Date: Tue, 10 Sep 2024 14:02:34 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-11 17:25:26.940495
- Title: MENSA: A Multi-Event Network for Survival Analysis under Informative Censoring
- Title（参考訳）: MENSA:Informative Censoringの下での生存分析のためのマルチイベントネットワーク
- Authors: Christian Marius Lillelund, Ali Hossein Gharari Foomani, Weijie Sun, Shi-ang Qi, Russell Greiner,
- Abstract要約: マルチイベントサバイバル分析のための新しい深層学習手法であるMENSAを紹介する。
筋萎縮性側索硬化症(ALS)患者の身体機能低下までの時間予測の問題点を考察する。
提案手法はL1-Margin損失が278.8日であるのに対し,各イベントを別々にモデル化する場合は355.2日である。
- 参考スコア（独自算出の注目度）: 4.0913802846346625
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Given an instance, a multi-event survival model predicts the time until that instance experiences each of several different events. These events are not mutually exclusive and there are often statistical dependencies between them. There are relatively few multi-event survival results, most focusing on producing a simple risk score, rather than the time-to-event itself. To overcome these issues, we introduce MENSA, a novel, deep learning approach for multi-event survival analysis that can jointly learn representations of the input covariates and the dependence structure between events. As a practical motivation for multi-event survival analysis, we consider the problem of predicting the time until a patient with amyotrophic lateral sclerosis (ALS) loses various physical functions, i.e., the ability to speak, swallow, write, or walk. When estimating when a patient is no longer able to swallow, our approach achieves an L1-Margin loss of 278.8 days, compared to 355.2 days when modeling each event separately. In addition, we also evaluate our approach in single-event and competing risk scenarios by modeling the censoring and event distributions as equal contributing factors in the optimization process, and show that our approach performs well across multiple benchmark datasets. The source code is available at: https://github.com/thecml/mensa
- Abstract（参考訳）: インスタンスが与えられた場合、複数イベントサバイバルモデルは、そのインスタンスが複数の異なるイベントを経験するまでの時間を予測する。
これらの事象は相互に排他的ではなく、しばしばそれらの間の統計的依存関係がある。
生存率は比較的少ないが、多くは時間から時間までではなく、単純なリスクスコアの生成に重点を置いている。
これらの課題を克服するために,入力共変量表現とイベント間の依存構造を協調的に学習できる,マルチイベントサバイバル分析のための新しい深層学習手法であるMENSAを紹介した。
多段階生存分析の実践的動機として,筋萎縮性側索硬化症(Amyotrophic lateral sclerosis,ALS)患者が様々な身体機能を失うまでの時間予測の問題を考える。
患者が飲み込むことができない場合,L1-Marginの損失は278.8日であり,各イベントを個別にモデリングする場合の355.2日である。
さらに、最適化プロセスにおいて、検閲やイベント分布を等しく寄与する要因としてモデル化することで、単一イベントと競合するリスクシナリオでのアプローチを評価し、複数のベンチマークデータセットに対して、我々のアプローチが良好に動作することを示す。
ソースコードは、https://github.com/thecml/mensa.comで入手できる。
関連論文リスト
- An Introduction to Deep Survival Analysis Models for Predicting Time-to-Event Outcomes [5.257719744958367]
生存分析の分野では、時間から時間までの成果が広く研究されている。
Monographは、サバイバル分析のための、合理的に自己完結したモダンな導入を提供することを目指している。
論文 参考訳（メタデータ） (2024-10-01T21:29:17Z) - Deep Representation Learning for Prediction of Temporal Event Sets in
the Continuous Time Domain [9.71405768795797]
時間的ポイントプロセスは、イベントの予測や予測において重要な役割を果たす。
この問題を解決するために,TPPをベースとしたスケーラブルで効率的な手法を提案する。
論文 参考訳（メタデータ） (2023-09-29T06:46:31Z) - CenTime: Event-Conditional Modelling of Censoring in Survival Analysis [49.44664144472712]
CenTimeは、イベントへの時間を直接見積もる、サバイバル分析の新しいアプローチである。
本手法は,非検閲データが少ない場合でも,堅牢なイベント条件検閲機構を特徴とする。
以上の結果から,CenTimeは同等の性能を維持しつつ,死までの時間を予測する上で,最先端のパフォーマンスを提供することがわかった。
論文 参考訳（メタデータ） (2023-09-07T17:07:33Z) - 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) - Equivariance Allows Handling Multiple Nuisance Variables When Analyzing
Pooled Neuroimaging Datasets [53.34152466646884]
本稿では,構造空間上でインスタンス化された同変表現学習における最近の結果と,因果推論における古典的結果の簡易な利用が,いかに効果的に実現されたかを示す。
いくつかの仮定の下で、我々のモデルが複数のニュアンス変数を扱えることを実証し、そうでなければサンプルの大部分を取り除く必要のあるシナリオにおいて、プールされた科学データセットの分析を可能にする。
論文 参考訳（メタデータ） (2022-03-29T04:54:06Z) - 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) - DeepCENT: Prediction of Censored Event Time via Deep Learning [1.0152838128195467]
本稿では,イベントへの個々の時間を直接予測する新しい手法であるDeepCENTを提案する。
DeepCENTは競合するリスクを扱うことができ、あるタイプのイベントが他のタイプのイベントを観察することを妨げる。
論文 参考訳（メタデータ） (2022-02-08T00:42:56Z) - A new harmonium for pattern recognition in survival data [0.0]
方法:エネルギーに基づくアプローチは、潜在状態と可視状態の間に二部構造を持ち、一般にハーモニウムと呼ばれる。
我々は、余分な時間-時間変数を活用することにより、差別的予測が改善されることを実証する。
論文 参考訳（メタデータ） (2021-10-05T11:42:36Z) - SurvTRACE: Transformers for Survival Analysis with Competing Events [37.66291997350568]
医学において、生存分析は死亡などの興味のある事象の期間を研究する。
最大の課題は、複数の競合するイベントを扱う方法だ。
本稿では,基礎となる生存分布を仮定しない変圧器モデルを提案する。
論文 参考訳（メタデータ） (2021-10-02T17:46:26Z) - Clinical Risk Prediction with Temporal Probabilistic Asymmetric
Multi-Task Learning [80.66108902283388]
マルチタスク学習手法は、臨床リスク予測などの安全クリティカルな応用に注意を払って使用すべきである。
既存の非対称なマルチタスク学習手法は、低損失のタスクから高損失のタスクへの知識伝達を行うことにより、この負の伝達問題に対処する。
特徴レベルの不確実性に基づいて,特定のタスク/タイムステップから関連する不確実なタスクへの知識伝達を行う,新しい時間的非対称型マルチタスク学習モデルを提案する。
論文 参考訳（メタデータ） (2020-06-23T06:01:36Z) - 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。