Fugu-MT 論文翻訳(概要): ChronoFormer: Time-Aware Transformer Architectures for Structured Clinical Event Modeling

論文の概要: ChronoFormer: Time-Aware Transformer Architectures for Structured Clinical Event Modeling

arxiv url: http://arxiv.org/abs/2504.07373v1
Date: Thu, 10 Apr 2025 01:25:41 GMT
ステータス: 翻訳完了
システム内更新日: 2025-04-11 12:22:43.406828
Title: ChronoFormer: Time-Aware Transformer Architectures for Structured Clinical Event Modeling
Title（参考訳）: ChronoFormer: 構造化された臨床イベントモデリングのための時間対応トランスフォーマーアーキテクチャ
Authors: Yuanyun Zhang, Shi Li,
Abstract要約: 本稿では, 経時的依存関係を符号化し, 利用するための革新的なトランスフォーマーアーキテクチャであるChronoFormerを提案する。 3つのベンチマークタスク予測、読み出し予測、長期的協調性オンセットで実施された広範囲な実験は、最先端の手法よりも大幅に改善されている。
参考スコア（独自算出の注目度）: 3.663763802269743
License:
Abstract: The temporal complexity of electronic health record (EHR) data presents significant challenges for predicting clinical outcomes using machine learning. This paper proposes ChronoFormer, an innovative transformer based architecture specifically designed to encode and leverage temporal dependencies in longitudinal patient data. ChronoFormer integrates temporal embeddings, hierarchical attention mechanisms, and domain specific masking techniques. Extensive experiments conducted on three benchmark tasks mortality prediction, readmission prediction, and long term comorbidity onset demonstrate substantial improvements over current state of the art methods. Furthermore, detailed analyses of attention patterns underscore ChronoFormer's capability to capture clinically meaningful long range temporal relationships.
Abstract（参考訳）: 電子健康記録(EHR)データの時間的複雑さは、機械学習を用いて臨床結果を予測する上で重要な課題である。本稿では, 経時的依存関係を符号化し, 利用するための革新的なトランスフォーマーアーキテクチャであるChronoFormerを提案する。 ChronoFormerは、時間的埋め込み、階層的注意機構、ドメイン固有のマスキング技術を統合する。 3つのベンチマークタスクの死亡予測、読み出し予測、長期協調性オンセットで実施された大規模な実験は、現在の最先端手法よりも大幅に改善されている。さらに,ChronoFormerが臨床的に有意な長期的関係を捉えた注意パターンの詳細な分析を行った。

関連論文リスト

Explainable Spatio-Temporal GCNNs for Irregular Multivariate Time Series: Architecture and Application to ICU Patient Data [7.433698348783128]
XST-CNN(eXG-Temporal Graph Conal Neural Network)は、不均一で不規則なマルチ時系列(MTS)データを処理するための新しいアーキテクチャである。提案手法は,GCNNパイプラインを利用して時間的・時間的統合パイプライン内での時間的特徴を捉える。 ICU患者のマルチドラッグ抵抗(MDR)を予測するために,実世界の電子健康記録データを用いてXST-CNNを評価した。
論文参考訳（メタデータ） (2024-11-01T22:53:17Z)
Temporal Cross-Attention for Dynamic Embedding and Tokenization of Multimodal Electronic Health Records [1.6609516435725236]
マルチモーダルな臨床時系列を正確に表現するための動的埋め込み・トークン化フレームワークを提案する。術後合併症9例の発症予測に基礎的アプローチを応用した。
論文参考訳（メタデータ） (2024-03-06T19:46:44Z)
Knowledge Enhanced Conditional Imputation for Healthcare Time-series [9.937117045677923]
Conditional Self-Attention Imputation (CSAI)は、複雑な欠落データパターンの課題に対処するために設計された、新しいリカレントニューラルネットワークアーキテクチャである。 CSAIは、EHRデータ特性に特化して、現在の最先端のニューラルネットワークベースの計算手法を拡張している。この研究は、アルゴリズム的計算を臨床的現実とより緊密に整合させることにより、ERHに適用されるニューラルネットワーク計算の状態を著しく改善する。
論文参考訳（メタデータ） (2023-12-27T20:42:40Z)
On the Importance of Step-wise Embeddings for Heterogeneous Clinical Time-Series [1.3285222309805063]
近年のシークエンス・モデリングの深層学習の進歩は、電子健康記録から時系列を扱うタスクに完全に移行していない。特に、ICU(Intensive Care Unit)に関わる問題では、木に基づく手法で表形式でシーケンス分類に取り組むことが現状である。
論文参考訳（メタデータ） (2023-11-15T12:18:15Z)
ICU Mortality Prediction Using Long Short-Term Memory Networks [0.0]
我々はElectronic Health Records(EHRs)から得られた大量の時間データを解析する自動データ駆動システムを実装した。我々は,院内死亡率とLOS(Longth of Stay)を早期に予測するために,高レベル情報を抽出する。実世界の予測エンジン構築のための厳密な時系列測定によるLSTMモデルの効率性について実験を行った。
論文参考訳（メタデータ） (2023-08-18T09:44:47Z)
T-Phenotype: Discovering Phenotypes of Predictive Temporal Patterns in Disease Progression [82.85825388788567]
我々は、ラベル付き時系列データから予測時相パターンの表現型を発見するために、新しい時間的クラスタリング手法T-Phenotypeを開発した。 T-フェノタイプは, 評価ベースラインのすべてに対して, 最良の表現型発見性能を示す。
論文参考訳（メタデータ） (2023-02-24T13:30:35Z)
Multivariate Time Series Forecasting with Dynamic Graph Neural ODEs [65.18780403244178]
動的グラフニューラル正規微分方程式(MTGODE)を用いた多変量時系列予測連続モデルを提案する。具体的には、まず、時間進化するノードの特徴と未知のグラフ構造を持つ動的グラフに多変量時系列を抽象化する。そして、欠落したグラフトポロジを補完し、空間的および時間的メッセージパッシングを統一するために、ニューラルODEを設計、解決する。
論文参考訳（メタデータ） (2022-02-17T02:17:31Z)
Leveraging the structure of dynamical systems for data-driven modeling [111.45324708884813]
トレーニングセットとその構造が長期予測の品質に与える影響を考察する。トレーニングセットのインフォームドデザインは,システムの不変性と基盤となるアトラクションの構造に基づいて,結果のモデルを大幅に改善することを示す。
論文参考訳（メタデータ） (2021-12-15T20:09:20Z)
Model-Attentive Ensemble Learning for Sequence Modeling [86.4785354333566]
シーケンスモデリング(MAES)のためのモデル・アテンティブ・アンサンブル・ラーニングを提案する。 MAESは、異なるシーケンスダイナミクスの専門家を専門とし、予測を適応的に重み付けるために、注目ベースのゲーティングメカニズムを利用する時系列の専門家の混合物です。 MAESが時系列シフトを受けるデータセットの人気シーケンスモデルを大幅に上回ることを示す。
論文参考訳（メタデータ） (2021-02-23T05:23:35Z)
Supporting Optimal Phase Space Reconstructions Using Neural Network Architecture for Time Series Modeling [68.8204255655161]
位相空間特性を暗黙的に学習する機構を持つ人工ニューラルネットワークを提案する。私たちのアプローチは、ほとんどの最先端戦略と同じくらいの競争力があるか、あるいは優れているかのどちらかです。
論文参考訳（メタデータ） (2020-06-19T21:04:47Z)
Transformer Hawkes Process [79.16290557505211]
本稿では,長期的依存関係を捕捉する自己認識機構を利用したTransformer Hawkes Process (THP) モデルを提案する。 THPは、有意なマージンによる可能性と事象予測の精度の両方の観点から、既存のモデルより優れている。本稿では、THPが関係情報を組み込む際に、複数の点過程を学習する際の予測性能の改善を実現する具体例を示す。
論文参考訳（メタデータ） (2020-02-21T13:48:13Z)

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。