論文の概要: ADHAM: Additive Deep Hazard Analysis Mixtures for Interpretable Survival Regression

• arxiv url: http://arxiv.org/abs/2509.07108v1
• Date: Mon, 08 Sep 2025 18:04:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-10 14:38:27.072465
• Title: ADHAM: Additive Deep Hazard Analysis Mixtures for Interpretable Survival Regression
• Title（参考訳）: ADHAM: 解釈可能な生存回帰のための付加的なDeep Hazard分析混合物
• Authors: Mert Ketenci, Vincent Jeanselme, Harry Reyes Nieva, Shalmali Joshi, Noémie Elhadad,
• Abstract要約: 生存分析(Survival analysis)は、医療における時間から時間までの成果をモデル化するための基本的なツールである。 本稿では,解釈可能な付加的生存モデルであるAdditive Deep Hazard Analysis Mixtures (ADHAM)を提案する。 我々は,ADHAMの集団,サブグループ,個人レベルでの解釈可能性を示す総合的研究を行った。
• 参考スコア（独自算出の注目度）: 6.7535930849356225
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Survival analysis is a fundamental tool for modeling time-to-event outcomes in healthcare. Recent advances have introduced flexible neural network approaches for improved predictive performance. However, most of these models do not provide interpretable insights into the association between exposures and the modeled outcomes, a critical requirement for decision-making in clinical practice. To address this limitation, we propose Additive Deep Hazard Analysis Mixtures (ADHAM), an interpretable additive survival model. ADHAM assumes a conditional latent structure that defines subgroups, each characterized by a combination of covariate-specific hazard functions. To select the number of subgroups, we introduce a post-training refinement that reduces the number of equivalent latent subgroups by merging similar groups. We perform comprehensive studies to demonstrate ADHAM's interpretability at the population, subgroup, and individual levels. Extensive experiments on real-world datasets show that ADHAM provides novel insights into the association between exposures and outcomes. Further, ADHAM remains on par with existing state-of-the-art survival baselines in terms of predictive performance, offering a scalable and interpretable approach to time-to-event prediction in healthcare.
• Abstract（参考訳）: 生存分析(Survival analysis)は、医療における時間から時間までの成果をモデル化するための基本的なツールである。 近年の進歩は、予測性能を改善するための柔軟なニューラルネットワークアプローチを導入している。 しかしながら、これらのモデルのほとんどは、臨床実践における意思決定の重要な要件である、露出とモデル化された結果との関係に関する解釈可能な洞察を提供していない。 この制限に対処するため、我々は解釈可能な付加的生存モデルであるAdditive Deep Hazard Analysis Mixtures (ADHAM)を提案する。 ADHAMは、サブグループを定義する条件付き潜伏構造を仮定し、それぞれが共変量特異的なハザード関数の組み合わせによって特徴づけられる。 部分群数を選択するために、類似した群をマージすることによって等価な潜在部分群の数を減らす訓練後の改良を導入する。 我々は,ADHAMの集団,サブグループ,個人レベルでの解釈可能性を示す総合的研究を行った。 実世界のデータセットに関する大規模な実験は、ADHAMが露光と結果の関係に関する新しい洞察を提供することを示している。 さらにADHAMは、予測パフォーマンスの観点から、既存の最先端サバイバルベースラインと同等であり、医療における時間対イベント予測に対するスケーラブルで解釈可能なアプローチを提供する。

関連論文リスト

• Counterfactual Understanding via Retrieval-aware Multimodal Modeling for Time-to-Event Survival Prediction [1.5713805841057418]
  CUREは、総合的なマルチモーダル埋め込みと潜伏検索を通じて、対物生存モデリングを促進するフレームワークである。 MetaBRICおよびTCGA-LUADデータセットの実験結果から,提案したCUREモデルは生存分析において強いベースラインを一貫して上回ることを示した。
  論文  参考訳（メタデータ） (2026-02-23T15:53:25Z)
• SurvKAN: A Fully Parametric Survival Model Based on Kolmogorov-Arnold Networks [7.352227733654751]
  Kolmogorov-Arnold Networks (KAN) に基づく完全パラメトリック・時間連続生存モデルであるSurvKANを紹介する。 SurvKANは時間を、ログハザード関数を直接予測するkanへの明示的な入力として扱い、完全な生存可能性に関するエンドツーエンドのトレーニングを可能にする。
  論文  参考訳（メタデータ） (2026-02-02T14:49:14Z)
• Deep Variational Contrastive Learning for Joint Risk Stratification and Time-to-Event Estimation [9.592144785458443]
  ConverSE は、予測可能なリスク階層化のための対照的な学習を伴う変分オートエンコーダを統一するディープサバイバルモデルである。 既存のディープサバイバル法と比較して、有意義な患者層を維持しながら、競争力や優れたパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-02-01T18:07:40Z)
• An MLI-Guided Framework for Subgroup-Aware Modeling in Electronic Health Records (AdaptHetero) [0.18416014644193068]
  AdaptHeteroは、解釈可能性の洞察を実行可能なガイダンスに変換する、新しいMLI駆動のフレームワークである。 AdaptHeteroは、ICU死亡率、院内死亡率、隠された低酸素症を予測するための不均一なモデル挙動を一貫して明らかにしている。
  論文  参考訳（メタデータ） (2025-07-28T04:37:03Z)
• Adaptable Cardiovascular Disease Risk Prediction from Heterogeneous Data using Large Language Models [70.64969663547703]
  AdaCVDは、英国バイオバンクから50万人以上の参加者を対象に、大規模な言語モデルに基づいて構築された適応可能なCVDリスク予測フレームワークである。 包括的かつ可変的な患者情報を柔軟に取り込み、構造化データと非構造化テキストの両方をシームレスに統合し、最小限の追加データを使用して新規患者の集団に迅速に適応する。
  論文  参考訳（メタデータ） (2025-05-30T14:42:02Z)
• 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)
• Explainable AI for Malnutrition Risk Prediction from m-Health and Clinical Data [3.093890460224435]
  異種m-healthデータに基づく早期かつ説明可能な栄養失調リスク検出のための新しいAIフレームワークを提案する。 対象非依存および個人化予測を含む広範囲なモデル評価を行った。 また,グローバルモデル記述を抽出するベンチマークXAI法についても検討した。
  論文  参考訳（メタデータ） (2023-05-31T08:07:35Z)
• Ambiguous Medical Image Segmentation using Diffusion Models [60.378180265885945]
  我々は,グループ洞察の分布を学習することで,複数の可算出力を生成する単一拡散モデルに基づくアプローチを提案する。 提案モデルでは,拡散の固有のサンプリングプロセスを利用してセグメンテーションマスクの分布を生成する。 その結果,提案手法は既存の最先端曖昧なセグメンテーションネットワークよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2023-04-10T17:58:22Z)
• Bootstrapping Your Own Positive Sample: Contrastive Learning With Electronic Health Record Data [62.29031007761901]
  本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。 EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。 私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
  論文  参考訳（メタデータ） (2021-04-07T06:02:04Z)
• WRSE -- a non-parametric weighted-resolution ensemble for predicting individual survival distributions in the ICU [0.251657752676152]
  集中治療室(ICU)における死亡リスクの動的評価は、患者を階層化し、治療効果を知らせたり、早期警戒システムの一部として機能したりすることができる。 現状の確率モデルと競合する結果を示すとともに,2～9倍のトレーニング時間を大幅に短縮する。
  論文  参考訳（メタデータ） (2020-11-02T10:13:59Z)
• Temporal Phenotyping using Deep Predictive Clustering of Disease Progression [97.88605060346455]
  我々は、時系列データをクラスタリングするためのディープラーニングアプローチを開発し、各クラスタは、同様の将来的な結果を共有する患者から構成される。 2つの実世界のデータセットに対する実験により、我々のモデルは最先端のベンチマークよりも優れたクラスタリング性能が得られることが示された。
  論文  参考訳（メタデータ） (2020-06-15T20:48:43Z)
• Survival Cluster Analysis [93.50540270973927]
  異なるリスクプロファイルを持つサブポピュレーションを特定するために、生存分析には未解決の必要性がある。 このニーズに対処するアプローチは、個々の成果のキャラクタリゼーションを改善する可能性が高い。
  論文  参考訳（メタデータ） (2020-02-29T22:41:21Z)

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。