論文の概要: Masked Clinical Modelling: A Framework for Synthetic and Augmented Survival Data Generation

• arxiv url: http://arxiv.org/abs/2410.16811v2
• Date: Wed, 23 Oct 2024 05:57:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-24 09:54:59.926203
• Title: Masked Clinical Modelling: A Framework for Synthetic and Augmented Survival Data Generation
• Title（参考訳）: Masked Clinical Modelling: 人工的・拡張的生存データ生成のためのフレームワーク
• Authors: Nicholas I-Hsien Kuo, Blanca Gallego, Louisa Jorm,
• Abstract要約: 本稿では,マスク付き言語モデリングに触発されたMCM(Masked Clinical Modelling)について紹介する。 MCMはデータ合成と条件付きデータ拡張の両方のために設計されている。 我々は,このプロトタイプをCox Proportional Hazardsモデルを用いてWHAS500データセット上で評価する。
• 参考スコア（独自算出の注目度）: 1.7769033811751995
• License:
• Abstract: Access to real clinical data is often restricted due to privacy obligations, creating significant barriers for healthcare research. Synthetic datasets provide a promising solution, enabling secure data sharing and model development. However, most existing approaches focus on data realism rather than utility -- ensuring that models trained on synthetic data yield clinically meaningful insights comparable to those trained on real data. In this paper, we present Masked Clinical Modelling (MCM), a framework inspired by masked language modelling, designed for both data synthesis and conditional data augmentation. We evaluate this prototype on the WHAS500 dataset using Cox Proportional Hazards models, focusing on the preservation of hazard ratios as key clinical metrics. Our results show that data generated using the MCM framework improves both discrimination and calibration in survival analysis, outperforming existing methods. MCM demonstrates strong potential to support survival data analysis and broader healthcare applications.
• Abstract（参考訳）: 実際の臨床データへのアクセスは、しばしばプライバシー義務のために制限され、医療研究の重要な障壁となる。 合成データセットは、セキュアなデータ共有とモデル開発を可能にする、有望なソリューションを提供する。 しかし、既存のほとんどのアプローチはユーティリティではなくデータリアリズムに焦点を当てている -- 合成データでトレーニングされたモデルが、実際のデータでトレーニングされたモデルに匹敵する臨床的に有意義な洞察を得ることを保証する。 本稿では,データ合成と条件付きデータ拡張の両方のために設計されたマスク付き言語モデリングに触発されたMasked Clinical Modelling (MCM)を提案する。 我々は,このプロトタイプをCox Proportional Hazardsモデルを用いてWHAS500データセット上で評価し,主要な臨床指標としてハザード比の保存に着目した。 以上の結果から,MCMフレームワークを用いて生成したデータは,生存分析における識別と校正の両面で向上し,既存手法よりも優れていたことが示唆された。 MCMは、生存データ分析と幅広い医療アプリケーションをサポートする強力な可能性を示している。

関連論文リスト

• CK4Gen: A Knowledge Distillation Framework for Generating High-Utility Synthetic Survival Datasets in Healthcare [1.7769033811751995]
  CK4Genは、Coxal Proportions(CoxPH)モデルからの知識蒸留を利用して、合成サバイバルデータセットを作成する新しいフレームワークである。 患者リスクプロファイルを個別に維持し、研究と教育のために現実的で信頼性の高いアウトプットを確実にする。 CK4Genは臨床条件にまたがってスケーラブルであり、コードは公開され、将来の研究者はそれを自身のデータセットに適用して、オープンな共有に適した合成バージョンを生成することができる。
  論文  参考訳（メタデータ） (2024-10-22T10:20:20Z)
• Addressing Data Heterogeneity in Federated Learning of Cox Proportional Hazards Models [8.798959872821962]
  本稿では,フェデレーションサバイバル分析の分野,特にCox Proportional Hazards(CoxPH)モデルについて概説する。 本稿では,合成データセットと実世界のアプリケーション間のモデル精度を向上させるために,特徴ベースのクラスタリングを用いたFLアプローチを提案する。
  論文  参考訳（メタデータ） (2024-07-20T18:34:20Z)
• Zero-shot and Few-shot Generation Strategies for Artificial Clinical Records [1.338174941551702]
  本研究は,Llama 2 LLMが患者情報を正確に反映した合成医療記録を作成する能力を評価するものである。 筆者らは,MIMIC-IVデータセットから得られたデータを用いて,現在史の物語を生成することに重点を置いている。 このチェーン・オブ・シークレットのアプローチにより、ゼロショットモデルが、ルージュのメトリクス評価に基づいて、微調整されたモデルと同等の結果が得られることが示唆された。
  論文  参考訳（メタデータ） (2024-03-13T16:17:09Z)
• Reliability in Semantic Segmentation: Can We Use Synthetic Data? [69.28268603137546]
  セマンティックセグメンテーションモデルの現実的信頼性を総合的に評価するために、合成データを具体的に生成する方法を初めて示す。 この合成データは、事前訓練されたセグメンタの堅牢性を評価するために使用される。 セグメンタのキャリブレーションとOOD検出能力を向上するために,我々のアプローチをどのように活用できるかを実証する。
  論文  参考訳（メタデータ） (2023-12-14T18:56:07Z)
• TRIALSCOPE: A Unifying Causal Framework for Scaling Real-World Evidence Generation with Biomedical Language Models [22.046231408373522]
  観測データから実世界の証拠を抽出する統合フレームワークであるTRIALSCOPEについて述べる。 TRIALSCOPEは実世界のデータの高品質な構造化を可能とし,マーキーがん検診に匹敵する結果が得られることを示す。
  論文  参考訳（メタデータ） (2023-11-02T15:15:47Z)
• Reimagining Synthetic Tabular Data Generation through Data-Centric AI: A Comprehensive Benchmark [56.8042116967334]
  合成データは、機械学習モデルのトレーニングの代替となる。 合成データが現実世界データの複雑なニュアンスを反映することを保証することは、難しい作業です。 本稿では,データ中心型AI技術の統合による合成データ生成プロセスのガイドの可能性について検討する。
  論文  参考訳（メタデータ） (2023-10-25T20:32:02Z)
• How Good Are Synthetic Medical Images? An Empirical Study with Lung Ultrasound [0.3312417881789094]
  生成モデルを使用して合成トレーニングデータを追加することで、データの不足に対処するための低コストな方法が提供される。 合成データと実データの両方によるトレーニングは、実データのみによるトレーニングよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-10-05T15:42:53Z)
• 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)
• Large Language Models for Healthcare Data Augmentation: An Example on Patient-Trial Matching [49.78442796596806]
  患者-心電図マッチング(LLM-PTM)のための革新的なプライバシ対応データ拡張手法を提案する。 本実験では, LLM-PTM法を用いて平均性能を7.32%向上させ, 新しいデータへの一般化性を12.12%向上させた。
  論文  参考訳（メタデータ） (2023-03-24T03:14:00Z)
• Privacy-preserving medical image analysis [53.4844489668116]
  医用画像におけるプライバシ保護機械学習(PPML)のためのソフトウェアフレームワークであるPriMIAを提案する。 集合型学習モデルの分類性能は,未発見データセットの人間専門家と比較して有意に良好である。 グラデーションベースのモデル反転攻撃に対するフレームワークのセキュリティを実証的に評価する。
  論文  参考訳（メタデータ） (2020-12-10T13:56:00Z)
• Self-Training with Improved Regularization for Sample-Efficient Chest X-Ray Classification [80.00316465793702]
  挑戦的なシナリオで堅牢なモデリングを可能にするディープラーニングフレームワークを提案する。 その結果,85%のラベル付きデータを用いて,大規模データ設定で学習した分類器の性能に適合する予測モデルを構築することができた。
  論文  参考訳（メタデータ） (2020-05-03T02:36:00Z)

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。