論文の概要: PISA: An AI Pipeline for Interpretable-by-design Survival Analysis Providing Multiple Complexity-Accuracy Trade-off Models

• arxiv url: http://arxiv.org/abs/2509.22673v1
• Date: Sat, 13 Sep 2025 18:09:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-06 05:29:07.779913
• Title: PISA: An AI Pipeline for Interpretable-by-design Survival Analysis Providing Multiple Complexity-Accuracy Trade-off Models
• Title（参考訳）: PISA: 複数の複雑さと精度のトレードオフモデルを示す解釈・設計・生存分析のためのAIパイプライン
• Authors: Thalea Schlender, Catharina J. A. Romme, Yvette M. van der Linden, Luc R. C. W. van Lonkhuijzen, Peter A. N. Bosman, Tanja Alderliesten,
• Abstract要約: 生存分析は臨床研究の中心であり、患者の予後を知らせ、治療決定を導き、資源配分を最適化する。 これらのモデルが医療に関係しているためには、予測は患者固有の特徴に追従できなければならない。 従来のサバイバルモデルは非線形相互作用を捉えるのに失敗することが多いが、現代のディープラーニングアプローチは弱い解釈可能性によって制限される。 複雑性とパフォーマンスをトレードオフする複数の生存分析モデルを提供するパイプラインである、解釈可能な生存分析のためのパイプライン(PISA)を提案する。
• 参考スコア（独自算出の注目度）: 0.9851812512860351
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Survival analysis is central to clinical research, informing patient prognoses, guiding treatment decisions, and optimising resource allocation. Accurate time-to-event predictions not only improve quality of life but also reveal risk factors that shape clinical practice. For these models to be relevant in healthcare, interpretability is critical: predictions must be traceable to patient-specific characteristics, and risk factors should be identifiable to generate actionable insights for both clinicians and researchers. Traditional survival models often fail to capture non-linear interactions, while modern deep learning approaches, though powerful, are limited by poor interpretability. We propose a Pipeline for Interpretable Survival Analysis (PISA) - a pipeline that provides multiple survival analysis models that trade off complexity and performance. Using multiple-feature, multi-objective feature engineering, PISA transforms patient characteristics and time-to-event data into multiple survival analysis models, providing valuable insights into the survival prediction task. Crucially, every model is converted into simple patient stratification flowcharts supported by Kaplan-Meier curves, whilst not compromising on performance. While PISA is model-agnostic, we illustrate its flexibility through applications of Cox regression and shallow survival trees, the latter avoiding proportional hazards assumptions. Applied to two clinical benchmark datasets, PISA produced interpretable survival models and intuitive stratification flowcharts whilst achieving state-of-the-art performances. Revisiting a prior departmental study further demonstrated its capacity to automate survival analysis workflows in real-world clinical research.
• Abstract（参考訳）: 生存分析は臨床研究の中心であり、患者の予後を知らせ、治療決定を導き、資源配分を最適化する。 正確な時間とイベントの予測は、生活の質を向上するだけでなく、臨床実践を形成する危険因子も明らかにする。 これらのモデルが医療に関係しているためには、解釈可能性(interpretability)が不可欠である。予測は患者固有の特徴にトレース可能でなければならない。 従来のサバイバルモデルは非線形相互作用を捉えるのに失敗することが多いが、現代のディープラーニングのアプローチは強力だが、解釈可能性の低さによって制限されている。 複雑性とパフォーマンスをトレードオフする複数の生存分析モデルを提供するパイプラインである、解釈可能な生存分析のためのパイプライン(PISA)を提案する。 PISAは多機能多目的機能工学を用いて、患者の特徴と時間から時間までのデータを複数の生存分析モデルに変換し、生存予測タスクに関する貴重な洞察を提供する。 重要なことは、全てのモデルはカプラン・マイアー曲線が支持する単純な患者層化フローチャートに変換されるが、性能は妥協しない。 PISAはモデルに依存しないが、Cox回帰と浅い生存木を用いてその柔軟性を説明する。 2つの臨床ベンチマークデータセットに適用したPISAは、最先端のパフォーマンスを達成しつつ、解釈可能な生存モデルと直感的な成層流図を生成した。 先行研究を再考し、現実臨床研究における生存分析ワークフローの自動化能力をさらに実証した。

関連論文リスト

• Deep Survival Analysis in Multimodal Medical Data: A Parametric and Probabilistic Approach with Competing Risks [47.19194118883552]
  単一リスクシナリオと競合リスクシナリオの両方をモデル化可能な生存分析のためのマルチモーダルディープラーニングフレームワークを提案する。 生存予測のための新しいディープラーニングアーキテクチャであるSAMVAE(Survival Analysis Multimodal Variational Autoencoder)を提案する。
  論文  参考訳（メタデータ） (2025-07-10T14:29:48Z)
• 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)
• Advancing Head and Neck Cancer Survival Prediction via Multi-Label Learning and Deep Model Interpretation [7.698783025721071]
  我々は,複数のHNC生存率を同時に予測するための,解釈可能なマルチラベル・マルチモーダル・ディープ・サバイバル予測フレームワーク IMLSP を提案する。 また、深層生存モデル視覚説明のために開発された、グラディエント重み付き時間イベント活性化マッピング手法であるGrad-TEAMを提案する。
  論文  参考訳（メタデータ） (2024-05-09T01:30:04Z)
• SurvTimeSurvival: Survival Analysis On The Patient With Multiple Visits/Records [26.66492761632773]
  近年の人工知能の進歩にもかかわらず、重症疾患患者の生存時間の正確な予測は重要な課題である。 本研究は「SurvTimeSurvival: Survival Analysis on patients with Multiple visits/Records」を紹介する。
  論文  参考訳（メタデータ） (2023-11-16T12:30:14Z)
• Clairvoyance: A Pipeline Toolkit for Medical Time Series [95.22483029602921]
  時系列学習は、データ駆動の*クリニカルな意思決定支援のパンとバターである* Clairvoyanceは、ソフトウェアツールキットとして機能する、統合されたエンドツーエンドのオートMLフレンドリなパイプラインを提案する。 Clairvoyanceは、臨床時系列MLのための包括的で自動化可能なパイプラインの生存可能性を示す最初のものである。
  論文  参考訳（メタデータ） (2023-10-28T12:08:03Z)
• Interpretable Survival Analysis for Heart Failure Risk Prediction [50.64739292687567]
  現状の生存モデルと解釈可能かつ競合する新しい生存分析パイプラインを提案する。 我々のパイプラインは最先端のパフォーマンスを達成し、心不全のリスク要因に関する興味深い新しい洞察を提供する。
  論文  参考訳（メタデータ） (2023-10-24T02:56:05Z)
• 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)
• Dynamic prediction of time to event with survival curves [3.9169188005935927]
  最近開発した反実用動的生存モデル(CDSM)を静的および縦方向の観測データに適用します。 評価された個別生存曲線の反射点が、患者の失敗時間の確実な予測をもたらすことを証明した。
  論文  参考訳（メタデータ） (2021-01-26T12:17:27Z)
• Hemogram Data as a Tool for Decision-making in COVID-19 Management: Applications to Resource Scarcity Scenarios [62.997667081978825]
  新型コロナウイルス(COVID-19)のパンデミックは世界中の緊急対応システムに挑戦している。 本研究は, 症状患者の血液検査データから得られた機械学習モデルについて述べる。 提案されたモデルでは、新型コロナウイルスqRT-PCRの結果を、高い精度、感度、特異性で症状のある個人に予測することができる。
  論文  参考訳（メタデータ） (2020-05-10T01:45:03Z)

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。