論文の概要: CRISP-NAM: Competing Risks Interpretable Survival Prediction with Neural Additive Models

• arxiv url: http://arxiv.org/abs/2505.21360v2
• Date: Fri, 06 Jun 2025 12:41:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-09 17:28:43.006596
• Title: CRISP-NAM: Competing Risks Interpretable Survival Prediction with Neural Additive Models
• Title（参考訳）: CRISP-NAM:ニューラル付加モデルによる生存予測の競合リスク
• Authors: Dhanesh Ramachandram,
• Abstract要約: CRISP-NAMは、競合するリスクサバイバル分析のための解釈可能なニューラル加算モデルである。 各機能は、専用ニューラルネットワークによるリスク推定に独立して寄与する。 既存のアプローチと比較して,複数のデータセット上での競合性能を実証する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Competing risks are crucial considerations in survival modelling, particularly in healthcare domains where patients may experience multiple distinct event types. We propose CRISP-NAM (Competing Risks Interpretable Survival Prediction with Neural Additive Models), an interpretable neural additive model for competing risks survival analysis which extends the neural additive architecture to model cause-specific hazards while preserving feature-level interpretability. Each feature contributes independently to risk estimation through dedicated neural networks, allowing for visualization of complex non-linear relationships between covariates and each competing risk. We demonstrate competitive performance on multiple datasets compared to existing approaches.
• Abstract（参考訳）: 競合リスクは、特に患者が複数の異なるイベントタイプを経験できる医療領域において、生存モデリングにおいて重要な考慮事項である。 CRISP-NAM(Competing Risks Interpretable Survival Prediction with Neural Additive Models, CRISP-NAM)を提案する。 各機能は、専用ニューラルネットワークによるリスク推定に独立して寄与し、共変量と競合するリスク間の複雑な非線形関係の可視化を可能にする。 既存のアプローチと比較して,複数のデータセット上での競合性能を実証する。

関連論文リスト

• RiskNet: Interaction-Aware Risk Forecasting for Autonomous Driving in Long-Tail Scenarios [6.024186631622774]
  RiskNetは自動運転車のリスク予測フレームワークである。 決定論的リスクモデリングと確率論的行動予測を統合し、包括的リスク評価を行う。 リアルタイムでシナリオ適応型のリスク予測をサポートし、不確実な運転環境全体にわたって強力な一般化を示す。
  論文  参考訳（メタデータ） (2025-04-22T02:36:54Z)
• HACSurv: A Hierarchical Copula-Based Approach for Survival Analysis with Dependent Competing Risks [51.95824566163554]
  本稿では,階層型アルキメデスコピュラス構造を学習する生存分析手法であるHACSurvを紹介する。 リスクと検閲の間の依存関係をキャプチャすることで、HACSurvは生存予測の精度を向上させる。
  論文  参考訳（メタデータ） (2024-10-19T18:52:18Z)
• A Multimodal Object-level Contrast Learning Method for Cancer Survival Risk Prediction [9.005219442274344]
  コンピュータ支援によるがん生存予測は、患者のタイムリーな治療において重要な役割を担っている。 がん生存リスク予測のための新しいトレーニング手法であるマルチモーダルオブジェクトレベルのコントラスト学習を提案する。 提案手法により訓練された生存リスク予測器は、2つの公共マルチモーダル癌データセット上で最先端の手法より優れている。
  論文  参考訳（メタデータ） (2024-09-03T07:36:34Z)
• 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)
• Capsa: A Unified Framework for Quantifying Risk in Deep Neural Networks [142.67349734180445]
  ディープニューラルネットワークにリスク認識を提供する既存のアルゴリズムは複雑でアドホックである。 ここでは、リスク認識でモデルを拡張するためのフレームワークであるcapsaを紹介します。
  論文  参考訳（メタデータ） (2023-08-01T02:07:47Z)
• Neural Fine-Gray: Monotonic neural networks for competing risks [0.0]
  生存分析として知られる時間対イベントモデリングは、関心のある出来事を経験していない患者の検閲に対処するため、標準回帰とは異なる。 本稿では、制約付きモノトニックニューラルネットワークを用いて、各サバイバル分布をモデル化する。 このソリューションの有効性は、1つの合成データセットと3つの医療データセットで示される。
  論文  参考訳（メタデータ） (2023-05-11T10:27:59Z)
• SurvLatent ODE : A Neural ODE based time-to-event model with competing risks for longitudinal data improves cancer-associated Deep Vein Thrombosis (DVT) prediction [68.8204255655161]
  本稿では,不規則なサンプルデータの下で潜在表現をパラメータ化する生成時間対イベントモデルSurvLatent ODEを提案する。 そこで,本モデルでは,事象特異的ハザード関数の形状を指定せずに,複数の競合イベントの生存時間を柔軟に推定する。 SurvLatent ODEは、DVTリスクグループを成層化するために、現在の臨床標準であるKhorana Riskスコアより優れている。
  論文  参考訳（メタデータ） (2022-04-20T17:28:08Z)
• Neuro-symbolic Neurodegenerative Disease Modeling as Probabilistic Programmed Deep Kernels [93.58854458951431]
  本稿では、神経変性疾患のパーソナライズされた予測モデリングのための、確率的プログラムによる深層カーネル学習手法を提案する。 我々の分析は、ニューラルネットワークとシンボリック機械学習のアプローチのスペクトルを考慮する。 我々は、アルツハイマー病の予測問題について評価を行い、深層学習を超越した結果を得た。
  論文  参考訳（メタデータ） (2020-09-16T15:16:03Z)

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。