論文の概要: Methodology for Comparing Machine Learning Algorithms for Survival Analysis
- arxiv url: http://arxiv.org/abs/2510.24473v1
- Date: Tue, 28 Oct 2025 14:42:28 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-29 15:35:37.232874
- Title: Methodology for Comparing Machine Learning Algorithms for Survival Analysis
- Title（参考訳）: 生存分析のための機械学習アルゴリズムの比較手法
- Authors: Lucas Buk Cardoso, Simone Aldrey Angelo, Yasmin Pacheco Gil Bonilha, Fernando Maia, Adeylson Guimarães Ribeiro, Maria Paula Curado, Gisele Aparecida Fernandes, Vanderlei Cunha Parro, Flávio Almeida de Magalhães Cipparrone, Alexandre Dias Porto Chiavegatto Filho, Tatiana Natasha Toporcov,
- Abstract要約: 生存分析のための6つの機械学習モデルを評価した。
XGB-AFTは最高性能(C-Index = 0.7618; IPCW = 0.7532、GBSAとRCF)を達成した。
- 参考スコア（独自算出の注目度）: 55.65997641180011
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: This study presents a comparative methodological analysis of six machine learning models for survival analysis (MLSA). Using data from nearly 45,000 colorectal cancer patients in the Hospital-Based Cancer Registries of S\~ao Paulo, we evaluated Random Survival Forest (RSF), Gradient Boosting for Survival Analysis (GBSA), Survival SVM (SSVM), XGBoost-Cox (XGB-Cox), XGBoost-AFT (XGB-AFT), and LightGBM (LGBM), capable of predicting survival considering censored data. Hyperparameter optimization was performed with different samplers, and model performance was assessed using the Concordance Index (C-Index), C-Index IPCW, time-dependent AUC, and Integrated Brier Score (IBS). Survival curves produced by the models were compared with predictions from classification algorithms, and predictor interpretation was conducted using SHAP and permutation importance. XGB-AFT achieved the best performance (C-Index = 0.7618; IPCW = 0.7532), followed by GBSA and RSF. The results highlight the potential and applicability of MLSA to improve survival prediction and support decision making.
- Abstract（参考訳）: 本研究では,生存分析のための6つの機械学習モデルの比較方法論解析を行った。
The Hospital-Based Cancer Registries of S\~ao Paulo, Gradient Boosting for Survival Analysis (GBSA), Survival SVM (SSVM), XGBoost-Cox (XGB-Cox), XGBoost-AFT (XGB-AFT), LightGBM (LGBM) の45,000人近い大腸癌患者のデータを用いて, 検閲されたデータを考慮した生存率の予測が可能であった。
C-Index(Concordance Index)、C-Index IPCW(C-Index)、AUC(Time-dependent AUC)、IBS(Integrated Brier Score)を用いてモデル性能を評価した。
モデルによる生存曲線を分類アルゴリズムによる予測と比較し,SHAPと置換の重要性を用いて予測器解釈を行った。
XGB-AFTは最高性能(C-Index = 0.7618; IPCW = 0.7532)を達成し、GBSAとRCFが続いた。
その結果,生存予測の改善と意思決定支援にMLSAの有効性と適用性を強調した。
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) - Predicting Length of Stay in Neurological ICU Patients Using Classical Machine Learning and Neural Network Models: A Benchmark Study on MIMIC-IV [49.1574468325115]
本研究は、MIMIC-IVデータセットに基づく神経疾患患者を対象とした、ICUにおけるLOS予測のための複数のMLアプローチについて検討する。
評価されたモデルには、古典的MLアルゴリズム(K-Nearest Neighbors、Random Forest、XGBoost、CatBoost)とニューラルネットワーク(LSTM、BERT、テンポラルフュージョントランス)が含まれる。
論文 参考訳（メタデータ） (2025-05-23T14:06:42Z) - Predicting Survivability of Cancer Patients with Metastatic Patterns Using Explainable AI [2.6182192515316247]
本研究は、転移パターンを有するがん患者の生存可能性を予測するために機械学習(ML)を活用する。
MSK-METデータセットには、27種類のがんの25,775人のゲノムおよび臨床データが含まれている。
XGBoost は曲線 (AUC) が 0.82 である最高のパフォーマーとして登場した。
論文 参考訳（メタデータ） (2025-04-07T20:48:15Z) - MIL vs. Aggregation: Evaluating Patient-Level Survival Prediction Strategies Using Graph-Based Learning [52.231128973251124]
我々は,WSIおよび患者レベルでの生存を予測するための様々な戦略を比較した。
前者はそれぞれのWSIを独立したサンプルとして扱い、他の作業で採用された戦略を模倣します。
後者は、複数のWSIの予測を集約するか、最も関連性の高いスライドを自動的に識別するメソッドを含む。
論文 参考訳（メタデータ） (2025-03-29T11:14:02Z) - Machine Learning for ALSFRS-R Score Prediction: Making Sense of the Sensor Data [44.99833362998488]
筋萎縮性側索硬化症(Amyotrophic Lateral Sclerosis、ALS)は、急速に進行する神経変性疾患である。
iDPP@CLEF 2024チャレンジを先導した今回の調査は,アプリから得られるセンサデータを活用することに焦点を当てている。
論文 参考訳（メタデータ） (2024-07-10T19:17:23Z) - Survival modeling using deep learning, machine learning and statistical methods: A comparative analysis for predicting mortality after hospital admission [9.719996519981333]
コックス比例ハザード(CoxPH)、ステップワイドコックスPH、弾性ネットペナル化コックスモデル、GBM学習など、いくつかの生存分析手法の比較研究を行った。
症例スタディとして,2017年から2019年にかけて,第3次病院救急外来で入院した患者の振り返り分析を行った。
C-indexの結果は、ディープラーニングが同等のパフォーマンスを達成し、DeepSurvが最高の差別を生み出していることを示している。
論文 参考訳（メタデータ） (2024-03-04T10:46:02Z) - Predicting Risk of Dementia with Survival Machine Learning and
Statistical Methods: Results on the English Longitudinal Study of Ageing
Cohort [0.0]
認知症の発症を予測しようとする機械学習モデルは、通常、イベントが発生するまでの時間を無視した分類手法に従う。
本研究では,機械学習技術の文脈における生存分析を用いた代替手法を提案する。
ランダムフォレストと弾性ネットの機械学習アルゴリズムに基づく2つのサバイバル手法拡張をトレーニング、最適化、予測モデルの評価に適用する。
論文 参考訳（メタデータ） (2023-06-17T12:15:32Z) - Penalized Deep Partially Linear Cox Models with Application to CT Scans
of Lung Cancer Patients [42.09584755334577]
肺がんは世界中のがん死亡の原因であり、効果的な治療法を設計するための死亡リスクを理解することの重要性を強調している。
NLST(National Lung Screening Trial)は、肺がん患者の死亡リスクを定量化するために、CTテクスチャ解析を用いている。
本稿では,SCADペナルティを組み込んで重要なテクスチャ特徴を抽出し,深層ニューラルネットワークを用いてモデルの非パラメトリック成分を推定する,Pentalized Deep partially Linear Cox Model (Penalized DPLC)を提案する。
論文 参考訳（メタデータ） (2023-03-09T15:38:16Z) - Interpretability methods of machine learning algorithms with
applications in breast cancer diagnosis [1.1470070927586016]
我々は,グローバルサロゲート(GS)法,個人期待(ICE)プロット,条件シェープ値(SV)などの解釈可能性技術を用いた。
乳がん診断における最良の成績は,提案したERN(精度96.6%,ROC曲線0.96)により得られた。
論文 参考訳（メタデータ） (2022-02-04T13:41:30Z) - Analysis of MRI Biomarkers for Brain Cancer Survival Prediction [0.3093890460224435]
マルチモーダルMRIによる脳がん患者の総合生存率(OS)の予測は、研究の難しい分野である。
生存予測に関する既存の文献のほとんどは、放射能の特徴に基づいている。
年齢は最も重要な生物学的予測因子であることがわかった。
論文 参考訳（メタデータ） (2021-09-03T05:35:47Z)
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。