論文の概要: Attention-enabled Explainable AI for Bladder Cancer Recurrence Prediction

• arxiv url: http://arxiv.org/abs/2505.00171v1
• Date: Wed, 30 Apr 2025 20:39:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-02 19:15:55.171474
• Title: Attention-enabled Explainable AI for Bladder Cancer Recurrence Prediction
• Title（参考訳）: 膀胱癌再発予測のための注意型説明可能なAI
• Authors: Saram Abbas, Naeem Soomro, Rishad Shafik, Rakesh Heer, Kabita Adhikari,
• Abstract要約: 非浸潤性膀胱癌 (NMIBC) の再発率は70-80%まで上昇した。 各再発は、侵襲的な手順のカスケード、生涯にわたる監視、医療費の増大を引き起こす。 既存の臨床予測ツールには根本的な欠陥が残っており、しばしば再発リスクを過大評価する。
• 参考スコア（独自算出の注目度）: 0.4369058206183195
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Non-muscle-invasive bladder cancer (NMIBC) is a relentless challenge in oncology, with recurrence rates soaring as high as 70-80%. Each recurrence triggers a cascade of invasive procedures, lifelong surveillance, and escalating healthcare costs - affecting 460,000 individuals worldwide. However, existing clinical prediction tools remain fundamentally flawed, often overestimating recurrence risk and failing to provide personalized insights for patient management. In this work, we propose an interpretable deep learning framework that integrates vector embeddings and attention mechanisms to improve NMIBC recurrence prediction performance. We incorporate vector embeddings for categorical variables such as smoking status and intravesical treatments, allowing the model to capture complex relationships between patient attributes and recurrence risk. These embeddings provide a richer representation of the data, enabling improved feature interactions and enhancing prediction performance. Our approach not only enhances performance but also provides clinicians with patient-specific insights by highlighting the most influential features contributing to recurrence risk for each patient. Our model achieves accuracy of 70% with tabular data, outperforming conventional statistical methods while providing clinician-friendly patient-level explanations through feature attention. Unlike previous studies, our approach identifies new important factors influencing recurrence, such as surgical duration and hospital stay, which had not been considered in existing NMIBC prediction models.
• Abstract（参考訳）: 非筋浸潤性膀胱癌 (NMIBC) は, 腫瘍の再発率を70～80%と高めに上昇させた。 各再発は、侵襲的な手順のカスケード、生涯監視、医療費の増大を引き起こす。 しかし、既存の臨床予測ツールには根本的な欠陥が残っており、しばしば再発リスクを過大評価し、患者管理にパーソナライズされた洞察を提供していない。 本研究では,NMIBC再帰予測性能を向上させるために,ベクトル埋め込みとアテンション機構を統合した解釈可能なディープラーニングフレームワークを提案する。 喫煙状態や歯内治療などのカテゴリー変数にベクトル埋め込みを組み込むことで,患者属性と再発リスクの複雑な関係を捉えることができる。 これらの埋め込みはデータのよりリッチな表現を提供し、機能間の相互作用を改善し、予測性能を向上させる。 本手法は, 患者に対して, 再発リスクに寄与する最も影響力のある特徴を強調することにより, 患者固有の知見を臨床医に提供する。 本モデルでは, 従来の統計手法より70%の精度を達成し, 臨床医に優しい患者レベルの説明を特徴的注意を通して提供した。 従来のNMIBC予測モデルでは検討されなかった外科的持続時間や入院など,再発に影響を及ぼす新たな要因について検討した。

関連論文リスト

• Prediction of Lung Metastasis from Hepatocellular Carcinoma using the SEER Database [0.9055332067000195]
  肝細胞癌(HCC)は、がん関連死亡の原因である。 HCCにおける肺転移の予測モデルは、範囲と臨床応用性に限られている。 本研究では,Surveillance, Epidemiology, End Results (SEER)データベースのデータを用いて,エンドツーエンドの機械学習パイプラインの開発と検証を行う。
  論文  参考訳（メタデータ） (2025-01-20T20:06:31Z)
• Deciphering Cardiac Destiny: Unveiling Future Risks Through Cutting-Edge Machine Learning Approaches [0.0]
  本研究の目的は,心停止事故のタイムリー同定のための予測モデルの開発と評価である。 我々は、XGBoost、Gradient Boosting、Naive Bayesといった機械学習アルゴリズムと、リカレントニューラルネットワーク(RNN)によるディープラーニング(DL)アプローチを採用しています。 厳密な実験と検証により,RNNモデルの優れた性能が示された。
  論文  参考訳（メタデータ） (2024-09-03T19:18:16Z)
• Machine Learning Applications in Medical Prognostics: A Comprehensive Review [0.0]
  機械学習(ML)は、高度なアルゴリズムと臨床データを統合することで、医学的診断に革命をもたらした。 RFモデルは高次元データの処理において堅牢な性能を示す。 CNNは、がん検出において異常な精度を示している。 LSTMネットワークは、時間的データの解析に優れ、臨床劣化の正確な予測を提供する。
  論文  参考訳（メタデータ） (2024-08-05T09:41:34Z)
• Deep State-Space Generative Model For Correlated Time-to-Event Predictions [54.3637600983898]
  そこで本研究では,様々な種類の臨床イベント間の相互作用を捉えるために,潜伏状態空間生成モデルを提案する。 また,死亡率と臓器不全の関連性について有意な知見が得られた。
  論文  参考訳（メタデータ） (2024-07-28T02:42:36Z)
• Reviewing AI's Role in Non-Muscle-Invasive Bladder Cancer Recurrence Prediction [0.4369058206183195]
  非筋浸潤性膀胱癌(NMIBC)は人体に重大な負担を課し、治療に最も費用がかかるがんの1つである。 NMIBCの再発を予測するための現在のツールは、しばしばリスクを過大評価し、精度が低いスコアシステムに依存している。 機械学習(ML)ベースの技術は、分子および臨床データを活用することでNMIBC再発を予測するための有望なアプローチとして登場した。
  論文  参考訳（メタデータ） (2024-03-15T17:03:45Z)
• 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)
• Automatic diagnosis of knee osteoarthritis severity using Swin transformer [55.01037422579516]
  変形性膝関節症 (KOA) は膝関節の慢性的な痛みと硬直を引き起こす疾患である。 我々は,Swin Transformer を用いて KOA の重大度を予測する自動手法を提案する。
  論文  参考訳（メタデータ） (2023-07-10T09:49:30Z)
• Prediction of Post-Operative Renal and Pulmonary Complications Using Transformers [69.81176740997175]
  術後急性腎不全,肺合併症,院内死亡の予測におけるトランスフォーマーモデルの有用性について検討した。 以上の結果から,トランスフォーマーモデルにより術後合併症の予測や従来の機械学習モデルよりも優れた性能が得られることが示された。
  論文  参考訳（メタデータ） (2023-06-01T14:08:05Z)
• SANSformers: Self-Supervised Forecasting in Electronic Health Records with Attention-Free Models [48.07469930813923]
  本研究は,医療施設への患者訪問数を予測することにより,医療サービスの需要を予測することを目的とする。 SNSformerは、特定の帰納バイアスを設計し、EHRデータの特異な特徴を考慮に入れた、注意のない逐次モデルである。 本研究は, 各種患者集団を対象とした医療利用予測の修正における, 注意力のないモデルと自己指導型事前訓練の有望な可能性について考察した。
  論文  参考訳（メタデータ） (2021-08-31T08:23:56Z)
• 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)
• A Knowledge Distillation Ensemble Framework for Predicting Short and Long-term Hospitalisation Outcomes from Electronic Health Records Data [5.844828229178025]
  既存の結果予測モデルは、頻繁なポジティブな結果の低いリコールに悩まされる。 我々は、死亡率とICUの受け入れによって表される逆さを自動的に予測する、高度にスケーリング可能な、堅牢な機械学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-11-18T15:56:28Z)
• MIA-Prognosis: A Deep Learning Framework to Predict Therapy Response [58.0291320452122]
  本稿では,患者の予後と治療反応を予測するための統合型深層学習手法を提案する。 我々は,マルチモーダル非同期時系列分類タスクとして,確率モデリングを定式化する。 我々の予測モデルは、長期生存の観点から、低リスク、高リスクの患者をさらに階層化する可能性がある。
  論文  参考訳（メタデータ） (2020-10-08T15:30:17Z)

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。