論文の概要: Stage-specific cancer survival prediction enriched by explainable machine learning
- arxiv url: http://arxiv.org/abs/2601.03977v1
- Date: Wed, 07 Jan 2026 14:44:04 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-01-09 02:15:23.659828
- Title: Stage-specific cancer survival prediction enriched by explainable machine learning
- Title（参考訳）: 説明可能な機械学習によるステージ特異的癌生存予測
- Authors: Parisa Poorhasani, Bogdan Iancu,
- Abstract要約: 我々は,大腸癌,胃癌,肝癌におけるステージ特異的癌生存率を予測するための機械学習モデルを作成し,検証した。
説明可能性技術を用いることで、従来のブラックボックスモデルに隠れていた重要な機能とキャビティの相互作用を説明できるようになりました。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Despite the fact that cancer survivability rates vary greatly between stages, traditional survival prediction models have frequently been trained and assessed using examples from all combined phases of the disease. This method may result in an overestimation of performance and ignore the stage-specific variations. Using the SEER dataset, we created and verified explainable machine learning (ML) models to predict stage-specific cancer survivability in colorectal, stomach, and liver cancers. ML-based cancer survival analysis has been a long-standing topic in the literature; however, studies involving the explainability and transparency of ML survivability models are limited. Our use of explainability techniques, including SHapley Additive exPlanations (SHAP) and Local Interpretable Model-agnostic Explanations (LIME), enabled us to illustrate significant feature-cancer stage interactions that would have remained hidden in traditional black-box models. We identified how certain demographic and clinical variables influenced survival differently across cancer stages and types. These insights provide not only transparency but also clinical relevance, supporting personalized treatment planning. By focusing on stage-specific models, this study provides new insights into the most important factors at each stage of cancer, offering transparency and potential clinical relevance to support personalized treatment planning.
- Abstract（参考訳）: がん生存率はステージによって大きく異なるが、従来の生存予測モデルはしばしば訓練され、疾患のすべての組み合わせの例を用いて評価されてきた。
この方法はパフォーマンスを過大評価し、ステージ固有のバリエーションを無視する。
SEERデータセットを用いて、大腸癌、胃癌、肝癌におけるステージ特異的癌生存率を予測するための、説明可能な機械学習モデルを作成し、検証した。
MLに基づくがん生存分析は、この文献で長年の話題となっているが、ML生存可能性モデルの説明可能性と透明性に関する研究は限られている。
SHAP (Scal Interpretable Model-Agnostic Explanations) やLIME (Local Interpretable Model-Agnostic Explanations) などの説明可能性技術を用いることで,従来のブラックボックスモデルに隠れていた重要な機能とキャラクタリゼーションの相互作用を示すことができた。
がんのステージやタイプによって、特定の人口・臨床変数が生存にどう影響するかを確認した。
これらの洞察は透明性だけでなく臨床的関連性も提供し、パーソナライズされた治療計画を支援する。
本研究は, ステージ特異的モデルに着目し, がんの各ステージにおいて最も重要な因子について新たな知見を提供し, パーソナライズされた治療計画を支援するための透明性と臨床関連性を提供する。
関連論文リスト
- Methodology for Comparing Machine Learning Algorithms for Survival Analysis [55.65997641180011]
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。
論文 参考訳（メタデータ） (2025-10-28T14:42:28Z) - 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) - Latent Space Analysis for Melanoma Prevention [5.441932327359051]
メラノーマは重要な健康リスクであり、早期に解釈可能な診断ツールの必要性を強調している。
この研究は、分類を超えた新しいアプローチを導入し、解釈可能なリスクモデリングを可能にした。
提案手法は, 病変間の意味的関係を捉える構造的潜在空間を学習し, 形態的差異の連続的評価を可能にする。
論文 参考訳（メタデータ） (2025-06-23T08:49:57Z) - MoCLIM: Towards Accurate Cancer Subtyping via Multi-Omics Contrastive
Learning with Omics-Inference Modeling [9.900594964709116]
我々は癌サブタイプのための表現学習フレームワークであるMoCLIMを開発した。
その結果,本手法は,高次元癌症例の少ない症例において,データ適合性やサブタイプ性能を著しく向上させることが示唆された。
本フレームワークは, 各種医療評価を最終要素として含み, 医療分析における高い解釈可能性を提供する。
論文 参考訳（メタデータ） (2023-08-17T10:49:48Z) - 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) - Predicting Survival of Tongue Cancer Patients by Machine Learning Models [0.0]
舌癌は口と喉に発生する一般的な口腔悪性腫瘍である。
これまでの研究では、記述統計に基づいて、特定の生存率とリスク要因を特定してきた。
5倍のクロスバリデーション,ブートストラップ解析,および置換特性をモデル性能の推定・解釈に応用した。
論文 参考訳（メタデータ） (2022-12-23T03:00:20Z) - Benchmarking Heterogeneous Treatment Effect Models through the Lens of
Interpretability [82.29775890542967]
治療のパーソナライズされた効果を見積もるのは複雑だが、普及している問題である。
ヘテロジニアス処理効果推定に関する機械学習文献の最近の進歩は、洗練されたが不透明なツールの多くを生み出した。
我々は、ポストホックな特徴重要度法を用いて、モデルの予測に影響を及ぼす特徴を特定する。
論文 参考訳（メタデータ） (2022-06-16T17:59:05Z) - Topological Data Analysis of copy number alterations in cancer [70.85487611525896]
癌ゲノム情報に含まれる情報を新しいトポロジに基づくアプローチで捉える可能性を探る。
本手法は, 癌体性遺伝データに有意な低次元表現を抽出する可能性を秘めている。
論文 参考訳（メタデータ） (2020-11-22T17:31:23Z) - Personalized pathology test for Cardio-vascular disease: Approximate
Bayesian computation with discriminative summary statistics learning [48.7576911714538]
近似計算を用いて生物学的に有意なパラメータを推定するための血小板沈着モデルと推論手法を提案する。
この研究は、CVDの検出と治療のためのパーソナライズされた病理検査の先例のない機会を開く。
論文 参考訳（メタデータ） (2020-10-13T15:20:21Z)
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。