論文の概要: Evidential time-to-event prediction model with well-calibrated uncertainty estimation

• arxiv url: http://arxiv.org/abs/2411.07853v1
• Date: Tue, 12 Nov 2024 15:06:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-13 13:20:44.291077
• Title: Evidential time-to-event prediction model with well-calibrated uncertainty estimation
• Title（参考訳）: 確固とした不確実性推定を伴う証拠時間対物予測モデル
• Authors: Ling Huang, Yucheng Xing, Swapnil Mishra, Thierry Denoeux, Mengling Feng,
• Abstract要約: 本稿では,特に時間-時間予測タスクのために設計された明らかな回帰モデルを提案する。 最も確実な事象時間は、集約されたガウスランダムファジィ数(GRFN)によって直接定量化される 我々のモデルは精度と信頼性の両方を達成し、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）: 12.446406577462069
• License:
• Abstract: Time-to-event analysis, or Survival analysis, provides valuable insights into clinical prognosis and treatment recommendations. However, this task is typically more challenging than other regression tasks due to the censored observations. Moreover, concerns regarding the reliability of predictions persist among clinicians, mainly attributed to the absence of confidence assessment, robustness, and calibration of prediction. To address those challenges, we introduce an evidential regression model designed especially for time-to-event prediction tasks, with which the most plausible event time, is directly quantified by aggregated Gaussian random fuzzy numbers (GRFNs). The GRFNs are a newly introduced family of random fuzzy subsets of the real line that generalizes both Gaussian random variables and Gaussian possibility distributions. Different from conventional methods that construct models based on strict data distribution, e.g., proportional hazard function, our model only assumes the event time is encoded in a real line GFRN without any strict distribution assumption, therefore offering more flexibility in complex data scenarios. Furthermore, the epistemic and aleatory uncertainty regarding the event time is quantified within the aggregated GRFN as well. Our model can, therefore, provide more detailed clinical decision-making guidance with two more degrees of information. The model is fit by minimizing a generalized negative log-likelihood function that accounts for data censoring based on uncertainty evidence reasoning. Experimental results on simulated datasets with varying data distributions and censoring scenarios, as well as on real-world datasets across diverse clinical settings and tasks, demonstrate that our model achieves both accurate and reliable performance, outperforming state-of-the-art methods.
• Abstract（参考訳）: 経時的分析(英: Time-to-event analysis)または生存分析(英: Survival analysis)は、臨床予後と治療勧告に関する貴重な洞察を提供する。 しかしながら、このタスクは一般的に、検閲された観察のため、他の回帰タスクよりも難しい。 さらに, 予測の信頼性に関する懸念は, 信頼性評価の欠如, 堅牢性, 予測の校正が主な要因である。 これらの課題に対処するために、特に時間とイベントの予測タスクのために設計された明らかな回帰モデルを導入し、最も妥当な事象時間はガウス乱ファジィ数(GRFN)によって直接定量化される。 GRFNは、ガウス確率変数とガウス可能性分布の両方を一般化する実数直線のランダムなファジィ部分集合の族である。 厳密なデータ分布、例えば比例的ハザード関数に基づくモデルを構築する従来の手法とは異なり、我々のモデルは、イベント時間が厳密な分布仮定なしで実線GFRNに符号化されることを前提としており、複雑なデータシナリオにおいてより柔軟性を提供する。 さらに、集約されたGRFN内にも、事象時間に関する疫学的および緩和的不確かさを定量化する。 そこで本モデルでは,より詳細な臨床意思決定指導を2段階の情報で行うことができる。 このモデルは、不確実性証拠の推論に基づいてデータ検閲を行う一般化された負のログ類似関数を最小化することで適合する。 様々なデータ分布と検閲シナリオを持つシミュレーションデータセットの実験結果と、様々な臨床設定やタスクにわたる実世界のデータセットについての実験結果から、我々のモデルは正確かつ信頼性の高い性能と、最先端の手法よりも優れた性能を達成できることを示した。

関連論文リスト

• SurvCORN: Survival Analysis with Conditional Ordinal Ranking Neural Network [4.772480981435387]
  本稿では,条件付き順序付きランキングネットワークを用いた生存曲線の予測手法であるSurvCORNを提案する。 また,モデル予測の精度を評価するための指標であるSurvMAEを導入する。
  論文  参考訳（メタデータ） (2024-09-30T03:01:25Z)
• SepsisLab: Early Sepsis Prediction with Uncertainty Quantification and Active Sensing [67.8991481023825]
  セプシスは米国での院内死亡の主な原因である。 既存の予測モデルは通常、情報不足の少ない高品質なデータで訓練される。 限られた観察により信頼性の低い高リスク患者に対して,ロバストな能動センシングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-07-24T04:47:36Z)
• Predictability Analysis of Regression Problems via Conditional Entropy Estimations [1.8913544072080544]
  回帰問題の予測可能性を評価するために,条件付きエントロピー推定器を開発した。 合成および実世界のデータセットの実験は、これらの推定器の堅牢性と有用性を示している。
  論文  参考訳（メタデータ） (2024-06-06T07:59:19Z)
• HypUC: Hyperfine Uncertainty Calibration with Gradient-boosted Corrections for Reliable Regression on Imbalanced Electrocardiograms [3.482894964998886]
  本稿では,医療時系列における不均衡確率回帰の枠組みであるHypUCを提案する。 HypUCは数百万の患者から収集された、多様で現実世界のECGデータセットで評価されている。
  論文  参考訳（メタデータ） (2023-11-23T06:17:31Z)
• Predicting the impact of treatments over time with uncertainty aware neural differential equations [2.099922236065961]
  本稿では,治療の効果を時間とともに予測する新しい手法であるCounterfactual ODEを提案する。 CF-ODEが従来よりも精度の高い予測と信頼性の高い不確実性推定を提供することを示す。
  論文  参考訳（メタデータ） (2022-02-24T09:50:02Z)
• When in Doubt: Neural Non-Parametric Uncertainty Quantification for Epidemic Forecasting [70.54920804222031]
  既存の予測モデルは不確実な定量化を無視し、誤校正予測をもたらす。 不確実性を考慮した時系列予測のためのディープニューラルネットワークの最近の研究にもいくつかの制限がある。 本稿では,予測タスクを確率的生成過程としてモデル化し,EPIFNPと呼ばれる機能的ニューラルプロセスモデルを提案する。
  論文  参考訳（メタデータ） (2021-06-07T18:31:47Z)
• Increasing the efficiency of randomized trial estimates via linear adjustment for a prognostic score [59.75318183140857]
  ランダム化実験による因果効果の推定は臨床研究の中心である。 歴史的借用法のほとんどは、厳格なタイプiエラー率制御を犠牲にして分散の削減を達成する。
  論文  参考訳（メタデータ） (2020-12-17T21:10:10Z)
• UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced Data [81.00385374948125]
  我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。 UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。 非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。 UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
  論文  参考訳（メタデータ） (2020-10-22T02:28:11Z)
• Unlabelled Data Improves Bayesian Uncertainty Calibration under Covariate Shift [100.52588638477862]
  後続正則化に基づく近似ベイズ推定法を開発した。 前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
  論文  参考訳（メタデータ） (2020-06-26T13:50:19Z)
• Enabling Counterfactual Survival Analysis with Balanced Representations [64.17342727357618]
  生存データは様々な医学的応用、すなわち薬物開発、リスクプロファイリング、臨床試験で頻繁に見られる。 本稿では,生存結果に適用可能な対実的推論のための理論的基盤を持つ統一的枠組みを提案する。
  論文  参考訳（メタデータ） (2020-06-14T01:15:00Z)
• Uncertainty estimation for classification and risk prediction on medical tabular data [0.0]
  本研究は,医療データの分類とリスク予測のための不確実性推定の理解を深めるものである。 医療などのデータ共有分野において、モデルの予測の不確実性を測定する能力は、意思決定支援ツールの改善につながる可能性がある。
  論文  参考訳（メタデータ） (2020-04-13T08:46:41Z)

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。