論文の概要: DeepSelective: Feature Gating and Representation Matching for Interpretable Clinical Prediction

• arxiv url: http://arxiv.org/abs/2504.11264v1
• Date: Tue, 15 Apr 2025 15:04:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-16 22:11:23.407461
• Title: DeepSelective: Feature Gating and Representation Matching for Interpretable Clinical Prediction
• Title（参考訳）: DeepSelective:特徴ゲーティングと表現マッチングによる解釈可能な臨床予測
• Authors: Ruochi Zhang, Qian Yang, Xiaoyang Wang, Haoran Wu, Qiong Zhou, Yu Wang, Kewei Li, Yueying Wang, Yusi Fan, Jiale Zhang, Lan Huang, Chang Liu, Fengfeng Zhou,
• Abstract要約: EHRデータを用いた患者予後予測のための新しいエンドツーエンドディープラーニングフレームワークであるDeepSelectiveを提案する。 DeepSelectiveは、データ圧縮技術と革新的な機能選択アプローチを組み合わせて、カスタム設計モジュールを統合する。 実験の結果,DeepSelectiveは予測精度を向上するだけでなく,解釈可能性も向上し,臨床診断に有用なツールであることがわかった。
• 参考スコア（独自算出の注目度）: 29.840966890841635
• License:
• Abstract: The rapid accumulation of Electronic Health Records (EHRs) has transformed healthcare by providing valuable data that enhance clinical predictions and diagnoses. While conventional machine learning models have proven effective, they often lack robust representation learning and depend heavily on expert-crafted features. Although deep learning offers powerful solutions, it is often criticized for its lack of interpretability. To address these challenges, we propose DeepSelective, a novel end to end deep learning framework for predicting patient prognosis using EHR data, with a strong emphasis on enhancing model interpretability. DeepSelective combines data compression techniques with an innovative feature selection approach, integrating custom-designed modules that work together to improve both accuracy and interpretability. Our experiments demonstrate that DeepSelective not only enhances predictive accuracy but also significantly improves interpretability, making it a valuable tool for clinical decision-making. The source code is freely available at http://www.healthinformaticslab.org/supp/resources.php .
• Abstract（参考訳）: 電子健康記録(EHR)の急速な蓄積は、臨床予測と診断を強化する貴重なデータを提供することによって、医療に変化をもたらした。 従来の機械学習モデルは有効であることが証明されているが、堅牢な表現学習が欠如しており、専門家が作成した機能に大きく依存していることが多い。 ディープラーニングは強力なソリューションを提供するが、解釈可能性の欠如によってしばしば批判される。 これらの課題に対処するために、EHRデータを用いて患者の予後を予測するための新しいエンドツーエンドディープラーニングフレームワークであるDeepSelectiveを提案し、モデルの解釈可能性の向上に重点を置いている。 DeepSelectiveは、データ圧縮技術と革新的な機能選択アプローチを組み合わせて、正確性と解釈性の両方を改善するために協調して動作するカスタム設計モジュールを統合する。 実験の結果,DeepSelectiveは予測精度を向上するだけでなく,解釈可能性も向上し,臨床診断に有用なツールであることがわかった。 ソースコードはhttp://www.healthinformaticslab.org/supp/resources.phpで無償公開されている。

関連論文リスト

• Hybrid Interpretable Deep Learning Framework for Skin Cancer Diagnosis: Integrating Radial Basis Function Networks with Explainable AI [1.1049608786515839]
  皮膚がんは世界中で最も流行し、致命的な疾患の1つである。 本稿では,畳み込みニューラルネットワーク(CNN)とラジアル基底関数(RBF)ネットワークを統合するハイブリッドディープラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-01-24T19:19:02Z)
• Bayesian Kolmogorov Arnold Networks (Bayesian_KANs): A Probabilistic Approach to Enhance Accuracy and Interpretability [1.90365714903665]
  本研究では,Bayesian Kolmogorov Arnold Networks(BKANs)と呼ばれる新しいフレームワークを提案する。 BKANはコルモゴロフ・アーノルドネットワークの表現能力とベイズ推定を組み合わせたものである。 提案手法は,予測信頼度と決定境界に関する有用な知見を提供し,予測精度の観点から従来のディープラーニングモデルより優れている。
  論文  参考訳（メタデータ） (2024-08-05T10:38:34Z)
• How Deep is your Guess? A Fresh Perspective on Deep Learning for Medical Time-Series Imputation [6.547981908229007]
  アーキテクチャとフレームワークのバイアスがモデルのパフォーマンスにどのように影響するかを示します。 実験では、プリプロセッシングと実装の選択に基づいて、最大20%の性能変化を示す。 我々は,現在の深層計算法と医療要件の相違点を同定する。
  論文  参考訳（メタデータ） (2024-07-11T12:33:28Z)
• TREEMENT: Interpretable Patient-Trial Matching via Personalized Dynamic Tree-Based Memory Network [54.332862955411656]
  臨床試験は薬物開発に不可欠であるが、しばしば高価で非効率な患者募集に苦しむ。 近年,患者と臨床試験を自動マッチングすることで患者採用を高速化する機械学習モデルが提案されている。 本稿では,TREement という名前の動的ツリーベースメモリネットワークモデルを導入する。
  論文  参考訳（メタデータ） (2023-07-19T12:35:09Z)
• Self-Verification Improves Few-Shot Clinical Information Extraction [73.6905567014859]
  大規模言語モデル (LLMs) は、数発のテキスト内学習を通じて臨床キュレーションを加速する可能性を示している。 正確性や解釈可能性に関する問題、特に健康のようなミッションクリティカルな領域ではまだ苦戦している。 本稿では,自己検証を用いた汎用的な緩和フレームワークについて検討する。このフレームワークはLLMを利用して,自己抽出のための証明を提供し,その出力をチェックする。
  論文  参考訳（メタデータ） (2023-05-30T22:05:11Z)
• SPeC: A Soft Prompt-Based Calibration on Performance Variability of Large Language Model in Clinical Notes Summarization [50.01382938451978]
  本稿では,ソフトプロンプトを用いたモデルに依存しないパイプラインを導入し,確率に基づく要約の利点を保ちながら分散を減少させる。 実験結果から,本手法は性能を向上するだけでなく,様々な言語モデルの分散を効果的に抑制することが明らかとなった。
  論文  参考訳（メタデータ） (2023-03-23T04:47:46Z)
• Rationale production to support clinical decision-making [31.66739991129112]
  本稿では,病院の退院予測にInfoCalを適用した。 選択された解釈可能性を持つ各提示モデルや特徴重要度法は,それぞれ異なる結果をもたらす。
  論文  参考訳（メタデータ） (2021-11-15T09:02:10Z)
• The Medkit-Learn(ing) Environment: Medical Decision Modelling through Simulation [81.72197368690031]
  医用シーケンシャルな意思決定に特化して設計された新しいベンチマークスイートを提案する。 Medkit-Learn(ing) Environmentは、高忠実度合成医療データに簡単かつ簡単にアクセスできるPythonパッケージである。
  論文  参考訳（メタデータ） (2021-06-08T10:38:09Z)
• Clinical Outcome Prediction from Admission Notes using Self-Supervised Knowledge Integration [55.88616573143478]
  臨床テキストからのアウトカム予測は、医師が潜在的なリスクを見落としないようにする。 退院時の診断,手術手順,院内死亡率,長期予測は4つの一般的な結果予測対象である。 複数の公開資料から得られた患者結果に関する知識を統合するために,臨床結果の事前学習を提案する。
  論文  参考訳（メタデータ） (2021-02-08T10:26:44Z)
• Deep Transparent Prediction through Latent Representation Analysis [0.0]
  本稿では,訓練されたディープニューラルネットワーク(DNN)から潜時情報を抽出し,予測目的のために効果的で統一された方法で解析された簡潔な表現を導出する,新しいディープラーニング手法を提案する。 透明性と高い予測精度を組み合わせることが、提案手法の目標である。
  論文  参考訳（メタデータ） (2020-09-13T19:21:40Z)
• 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。