論文の概要: Comparison of deep learning and conventional methods for disease onset prediction

• arxiv url: http://arxiv.org/abs/2410.10505v1
• Date: Mon, 14 Oct 2024 13:46:59 GMT
• ステータス: 処理完了
• システム内更新日: 2024-10-29 21:14:59.044535
• Title: Comparison of deep learning and conventional methods for disease onset prediction
• Title（参考訳）: 深層学習と従来の病気発症予測法の比較
• Authors: Luis H. John, Chungsoo Kim, Jan A. Kors, Junhyuk Chang, Hannah Morgan-Cooper, Priya Desai, Chao Pang, Peter R. Rijnbeek, Jenna M. Reps, Egill A. Fridgeirsson,
• Abstract要約: 深層学習法は臨床データから複雑なパターンを抽出することにより予測性能の向上を約束する。 本研究は, 肺がん, 認知症, 双極性障害を予測するための従来の学習手法と深層学習法を比較した。
• 参考スコア（独自算出の注目度）: 7.477956812298417
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Background: Conventional prediction methods such as logistic regression and gradient boosting have been widely utilized for disease onset prediction for their reliability and interpretability. Deep learning methods promise enhanced prediction performance by extracting complex patterns from clinical data, but face challenges like data sparsity and high dimensionality. Methods: This study compares conventional and deep learning approaches to predict lung cancer, dementia, and bipolar disorder using observational data from eleven databases from North America, Europe, and Asia. Models were developed using logistic regression, gradient boosting, ResNet, and Transformer, and validated both internally and externally across the data sources. Discrimination performance was assessed using AUROC, and calibration was evaluated using Eavg. Findings: Across 11 datasets, conventional methods generally outperformed deep learning methods in terms of discrimination performance, particularly during external validation, highlighting their better transportability. Learning curves suggest that deep learning models require substantially larger datasets to reach the same performance levels as conventional methods. Calibration performance was also better for conventional methods, with ResNet showing the poorest calibration. Interpretation: Despite the potential of deep learning models to capture complex patterns in structured observational healthcare data, conventional models remain highly competitive for disease onset prediction, especially in scenarios involving smaller datasets and if lengthy training times need to be avoided. The study underscores the need for future research focused on optimizing deep learning models to handle the sparsity, high dimensionality, and heterogeneity inherent in healthcare datasets, and find new strategies to exploit the full capabilities of deep learning methods.
• Abstract（参考訳）: 背景:ロジスティック回帰や勾配促進といった従来の予測手法は,その信頼性と解釈可能性の予測に広く利用されている。 深層学習法は臨床データから複雑なパターンを抽出することで予測性能を向上させるが、データの空間性や高次元性といった課題に直面している。 方法: 本研究は, 北米, ヨーロッパ, アジアの11つのデータベースから得られた観測データを用いて, 肺がん, 認知症, 双極性障害を予測するための従来の学習手法と深層学習法を比較した。 モデルはロジスティック回帰、勾配押し上げ、ResNet、Transformerを使用して開発され、内部および外部の両方のデータソースで検証された。 識別性能はAUROCを用いて評価し, キャリブレーションはEavgを用いて評価した。 発見:11のデータセット全体において、従来の手法は、特に外部の検証において、識別性能においてディープラーニングメソッドよりも優れており、より優れたトランスポート性を強調している。 学習曲線は、ディープラーニングモデルが従来の方法と同じパフォーマンスレベルに達するためには、かなり大きなデータセットを必要とすることを示唆している。 キャリブレーション性能は従来の手法よりも優れており、ResNetが最も低いキャリブレーションを示している。 解釈: 構造化された医療データの複雑なパターンを捉えるディープラーニングモデルの可能性にもかかわらず、従来のモデルは、特に小さなデータセットを含むシナリオや、長いトレーニング時間を避ける必要がある場合、病気の発症予測に非常に競争力がある。 この研究は、医療データセットに固有の空間性、高次元性、不均一性を扱うためにディープラーニングモデルを最適化することに焦点を当てた将来の研究の必要性を強調し、ディープラーニング手法の全能力を活用するための新しい戦略を見出す。

関連論文リスト

• 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)
• Comparative Study of Predicting Stock Index Using Deep Learning Models [0.0]
  本研究では,ARIMA,SARIMA,SARIMAXなどの従来の予測手法と,DF-RNN,DSSM,Deep ARといった新しいニューラルネットワークアプローチを評価する。 その結果,Deep ARは従来のディープラーニングや従来のアプローチよりも優れており,MAPEは0.01,RMSEは189であった。
  論文  参考訳（メタデータ） (2023-06-24T10:38:08Z)
• TWINS: A Fine-Tuning Framework for Improved Transferability of Adversarial Robustness and Generalization [89.54947228958494]
  本稿では,様々な分類タスクにおいて,逆向きに事前訓練されたモデルの微調整に焦点を当てる。 本稿では,TWINS(Two-WIng NormliSation)ファインチューニングフレームワークを提案する。 TWINSは、一般化とロバスト性の両方の観点から、幅広い画像分類データセットに有効であることが示されている。
  論文  参考訳（メタデータ） (2023-03-20T14:12:55Z)
• DeepVol: Volatility Forecasting from High-Frequency Data with Dilated Causal Convolutions [53.37679435230207]
  本稿では,Dilated Causal Convolutionsに基づくDeepVolモデルを提案する。 実験結果から,提案手法は高頻度データからグローバルな特徴を効果的に学習できることが示唆された。
  論文  参考訳（メタデータ） (2022-09-23T16:13:47Z)
• Augmentation based unsupervised domain adaptation [2.304713283039168]
  小さく非表現的なデータに基づいてトレーニングされたディープラーニングモデルは、トレーニングに使用されるものと異なるデータにデプロイされた場合、パフォーマンスが向上する傾向があります。 本手法は, 対向領域適応と整合性トレーニングの特性を利用して, より堅牢な適応を実現する。
  論文  参考訳（メタデータ） (2022-02-23T13:06:07Z)
• A comparison of approaches to improve worst-case predictive model performance over patient subpopulations [14.175321968797252]
  患者において平均的に正確な臨床結果の予測モデルは、いくつかのサブ集団に対して劇的に過小評価される可能性がある。 サブポピュレーションに対する解離および最悪の性能を一貫して改善するモデル開発と選択のアプローチを同定する。 本研究は, 比較的少数の例外を除いて, 標準学習法よりも, 患者サブポピュレーションに対するアプローチが優れていることが確認された。
  論文  参考訳（メタデータ） (2021-08-27T13:10:00Z)
• Semantic Perturbations with Normalizing Flows for Improved Generalization [62.998818375912506]
  我々は、非教師付きデータ拡張を定義するために、潜在空間における摂動が利用できることを示す。 トレーニングを通して分類器に適応する潜伏性対向性摂動が最も効果的であることが判明した。
  論文  参考訳（メタデータ） (2021-08-18T03:20:00Z)
• Bootstrapping Your Own Positive Sample: Contrastive Learning With Electronic Health Record Data [62.29031007761901]
  本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。 EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。 私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
  論文  参考訳（メタデータ） (2021-04-07T06:02:04Z)
• Unsupervised anomaly detection in digital pathology using GANs [4.318555434063274]
  本稿では,GANを用いた病理組織データにおける異常検出のための新しい教師なし学習手法を提案する。 医用画像に用いられている既存のGAN法と比較して,本手法は病理データの性能を大幅に改善する。
  論文  参考訳（メタデータ） (2021-03-16T10:10:12Z)
• On the Benefits of Invariance in Neural Networks [56.362579457990094]
  データ拡張によるトレーニングは、リスクとその勾配をよりよく見積もることを示し、データ拡張でトレーニングされたモデルに対して、PAC-Bayes一般化を提供する。 また,データ拡張と比べ,平均化は凸損失を伴う場合の一般化誤差を低減し,PAC-Bayes境界を狭めることを示した。
  論文  参考訳（メタデータ） (2020-05-01T02:08:58Z)

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。