論文の概要: A Framework for Evaluating Predictive Models Using Synthetic Image Covariates and Longitudinal Data

• arxiv url: http://arxiv.org/abs/2410.16177v1
• Date: Mon, 21 Oct 2024 16:43:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-22 13:18:17.943904
• Title: A Framework for Evaluating Predictive Models Using Synthetic Image Covariates and Longitudinal Data
• Title（参考訳）: 合成画像の共変量と縦データを用いた予測モデル評価フレームワーク
• Authors: Simon Deltadahl, Andreu Vall, Vijay Ivaturi, Niklas Korsbo,
• Abstract要約: 患者データを縦断的観察で合成するための新しい枠組みを提案する。 提案手法は,各データモダリティを生成する潜在空間における制御的関連性を導入する。 光コヒーレンストモグラフィー(OCT)スキャンを用いて,本フレームワークの実証を行った。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: We present a novel framework for synthesizing patient data with complex covariates (e.g., eye scans) paired with longitudinal observations (e.g., visual acuity over time), addressing privacy concerns in healthcare research. Our approach introduces controlled association in latent spaces generating each data modality, enabling the creation of complex covariate-longitudinal observation pairs. This framework facilitates the development of predictive models and provides openly available benchmarking datasets for healthcare research. We demonstrate our framework using optical coherence tomography (OCT) scans, though it is applicable across domains. Using 109,309 2D OCT scan slices, we trained an image generative model combining a variational autoencoder and a diffusion model. Longitudinal observations were simulated using a nonlinear mixed effect (NLME) model from a low-dimensional space of random effects. We generated 1.1M OCT scan slices paired with five sets of longitudinal observations at controlled association levels (100%, 50%, 10%, 5.26%, and 2% of between-subject variability). To assess the framework, we modeled synthetic longitudinal observations with another NLME model, computed empirical Bayes estimates of random effects, and trained a ResNet to predict these estimates from synthetic OCT scans. We then incorporated ResNet predictions into the NLME model for patient-individualized predictions. Prediction accuracy on withheld data declined as intended with reduced association between images and longitudinal measurements. Notably, in all but the 2% case, we achieved within 50% of the theoretical best possible prediction on withheld data, demonstrating our ability to detect even weak signals. This confirms the effectiveness of our framework in generating synthetic data with controlled levels of association, providing a valuable tool for healthcare research.
• Abstract（参考訳）: 本稿では,患者データを複雑な共変量(例えば眼球スキャン)で合成し,経時的観察(例えば時間的視力)と組み合わせ,医療研究におけるプライバシー問題に対処する新しい枠組みを提案する。 提案手法では、各データモダリティを生成する潜在空間における制御された関連を導入し、複雑な共変量-縦方向の観測ペアの作成を可能にする。 このフレームワークは予測モデルの開発を促進し、医療研究のための公開ベンチマークデータセットを提供する。 光コヒーレンストモグラフィー(OCT)スキャンを用いて,本フレームワークを実証する。 109,309個のCTスキャンスライスを用いて,可変オートエンコーダと拡散モデルを組み合わせた画像生成モデルを訓練した。 低次元のランダム効果空間からの非線形混合効果(NLME)モデルを用いて縦波観測を行った。 制御された関連レベル(100%,50%,10%,5.26%,対象物間変動率2%)で5セットの経時的観察と組み合わせた1.1M OCTスキャンスライスを作成した。 この枠組みを評価するため,他のNLMEモデルを用いて合成縦断観測をモデル化し,ランダム効果の実験的ベイズ推定を計算し,合成CTスキャンからこれらの推定値を予測するためにResNetを訓練した。 次に,患者個人別予測のためのNLMEモデルにResNet予測を組み込んだ。 非保持データの予測精度は、画像と縦断測定の関連性の低下を意図して低下した。 特に、2%のケースを除くすべてのケースにおいて、保存されていないデータに対する理論上の最良の予測の50%以内に達成し、弱い信号を検出する能力を示しました。 このことは, 関連性の制御された合成データの生成における我々の枠組みの有効性を確認し, 医療研究に有用なツールを提供する。

関連論文リスト

• Machine Learning for ALSFRS-R Score Prediction: Making Sense of the Sensor Data [44.99833362998488]
  筋萎縮性側索硬化症(Amyotrophic Lateral Sclerosis、ALS)は、急速に進行する神経変性疾患である。 iDPP@CLEF 2024チャレンジを先導した今回の調査は,アプリから得られるセンサデータを活用することに焦点を当てている。
  論文  参考訳（メタデータ） (2024-07-10T19:17:23Z)
• Towards Theoretical Understandings of Self-Consuming Generative Models [56.84592466204185]
  本稿では,自己消費ループ内で生成モデルを訓練する新たな課題に取り組む。 我々は,このトレーニングが将来のモデルで学習したデータ分布に与える影響を厳格に評価するための理論的枠組みを構築した。 カーネル密度推定の結果は,混合データトレーニングがエラー伝播に与える影響など,微妙な洞察を与える。
  論文  参考訳（メタデータ） (2024-02-19T02:08:09Z)
• Predicting Multi-Joint Kinematics of the Upper Limb from EMG Signals Across Varied Loads with a Physics-Informed Neural Network [0.0]
  PINNモデルは、フィードフォワードニューラルネットワーク(ANN)とジョイントトルクモデルを組み合わせることで構成される。 PINNモデルのトレーニングデータセットは、EMGと4つの異なる被験者から収集された時間データを含む。 その結果,関節角度予測では58%から83%の相関が認められた。
  論文  参考訳（メタデータ） (2023-11-28T16:55:11Z)
• tdCoxSNN: Time-Dependent Cox Survival Neural Network for Continuous-time Dynamic Prediction [19.38247205641199]
  本研究では,時間依存型Coxサバイバルニューラルネットワーク(tdCoxSNN)を提案する。 提案手法と共同モデリングおよびランドマーク手法を広範囲なシミュレーションにより評価・比較する。
  論文  参考訳（メタデータ） (2023-07-12T03:03:40Z)
• Revisiting the Evaluation of Image Synthesis with GANs [55.72247435112475]
  本研究では, 合成性能の評価に関する実証的研究を行い, 生成モデルの代表としてGAN(Generative Adversarial Network)を用いた。 特に、表現空間におけるデータポイントの表現方法、選択したサンプルを用いた公平距離の計算方法、各集合から使用可能なインスタンス数など、さまざまな要素の詳細な分析を行う。
  論文  参考訳（メタデータ） (2023-04-04T17:54:32Z)
• Mixed Effects Neural ODE: A Variational Approximation for Analyzing the Dynamics of Panel Data [50.23363975709122]
  パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。 我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。 次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
  論文  参考訳（メタデータ） (2022-02-18T22:41:51Z)
• 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)
• 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)
• Autoregressive Score Matching [113.4502004812927]
  自動回帰条件スコアモデル(AR-CSM)を提案する。 AR-CSMモデルでは、このデータ分布とモデル分布のばらつきを効率的に計算し、最適化することができ、高価なサンプリングや対向訓練を必要としない。 本研究では,合成データに対する密度推定,画像生成,画像復調,暗黙エンコーダを用いた潜在変数モデルの訓練に応用できることを示す。
  論文  参考訳（メタデータ） (2020-10-24T07:01:24Z)
• Longitudinal Variational Autoencoder [1.4680035572775534]
  不足値を含む高次元データを解析するための一般的なアプローチは、変分オートエンコーダ(VAE)を用いた低次元表現を学習することである。 標準的なVAEは、学習した表現はi.d.であり、データサンプル間の相関を捉えることができないと仮定する。 本稿では,多出力加法的ガウス過程(GP)を用いて,構造化された低次元表現を学習するVAEの能力を拡張した縦型VAE(L-VAE)を提案する。 我々の手法は時間変化の共有効果とランダム効果の両方に同時に対応でき、構造化された低次元表現を生成する。
  論文  参考訳（メタデータ） (2020-06-17T10:30:14Z)

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。