論文の概要: Contrasting Global and Patient-Specific Regression Models via a Neural Network Representation
- arxiv url: http://arxiv.org/abs/2601.18658v1
- Date: Mon, 26 Jan 2026 16:34:43 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-01-27 15:23:08.940739
- Title: Contrasting Global and Patient-Specific Regression Models via a Neural Network Representation
- Title（参考訳）: ニューラルネットワーク表現によるグローバルおよび患者特化回帰モデルの比較
- Authors: Max Behrens, Daiana Stolz, Eleni Papakonstantinou, Janis M. Nolde, Gabriele Bellerino, Angelika Rohde, Moritz Hess, Harald Binder,
- Abstract要約: 本研究では,グローバルレグレッションモデルと患者固有の(局所的な)レグレッションモデルとを対比する診断ツールを提案する。
我々は回帰モデルに焦点をあて、特に、患者がグローバルモデルでよく表現されていない予測空間内の領域を特定する局所回帰アプローチを提案する。
このような次元減少のためのニューラルネットワークアーキテクチャを用いることで、良質なデータ再構成とロバストな局所回帰に適した局所的な結果関連関係を明らかにするために同時に最適化された潜在表現を学習することができる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: When developing clinical prediction models, it can be challenging to balance between global models that are valid for all patients and personalized models tailored to individuals or potentially unknown subgroups. To aid such decisions, we propose a diagnostic tool for contrasting global regression models and patient-specific (local) regression models. The core utility of this tool is to identify where and for whom a global model may be inadequate. We focus on regression models and specifically suggest a localized regression approach that identifies regions in the predictor space where patients are not well represented by the global model. As localization becomes challenging when dealing with many predictors, we propose modeling in a dimension-reduced latent representation obtained from an autoencoder. Using such a neural network architecture for dimension reduction enables learning a latent representation simultaneously optimized for both good data reconstruction and for revealing local outcome-related associations suitable for robust localized regression. We illustrate the proposed approach with a clinical study involving patients with chronic obstructive pulmonary disease. Our findings indicate that the global model is adequate for most patients but that indeed specific subgroups benefit from personalized models. We also demonstrate how to map these subgroup models back to the original predictors, providing insight into why the global model falls short for these groups. Thus, the principal application and diagnostic yield of our tool is the identification and characterization of patients or subgroups whose outcome associations deviate from the global model.
- Abstract（参考訳）: 臨床予測モデルを開発する際、すべての患者に有効なグローバルモデルと、個人または潜在的に未知のサブグループに適したパーソナライズされたモデルとのバランスをとることは困難である。
このような意思決定を支援するために,グローバルレグレッションモデルと患者固有の(局所的な)レグレッションモデルとを対比する診断ツールを提案する。
このツールの中核的なユーティリティは、グローバルモデルが不十分な場所と場所を特定することである。
我々は回帰モデルに焦点をあて、特に、患者がグローバルモデルでよく表現されていない予測空間内の領域を特定する局所回帰アプローチを提案する。
多くの予測子を扱う場合、ローカライゼーションが困難になるため、オートエンコーダから得られる次元還元潜在表現のモデリングを提案する。
このような次元減少のためのニューラルネットワークアーキテクチャを用いることで、良質なデータ再構成とロバストな局所回帰に適した局所的な結果関連関係を明らかにするために同時に最適化された潜在表現を学習することができる。
慢性閉塞性肺疾患の臨床的検討により,本手法を提案する。
以上の結果から,グローバルモデルはほとんどの患者に適しているが,特定のサブグループがパーソナライズされたモデルから恩恵を受けていることが示唆された。
また、これらのサブグループモデルを元の予測子にマップする方法を実証し、グローバルモデルがこれらのグループで不足する理由について考察する。
したがって、本ツールの主な応用と診断の成果は、結果関連がグローバルモデルから逸脱した患者やサブグループの識別と特徴付けである。
関連論文リスト
- Graph Neural Network Surrogates to leverage Mechanistic Expert Knowledge towards Reliable and Immediate Pandemic Response [39.146761527401424]
我々は,空間的および階層的に解決された機械的メタポピュレーションシミュレータのグラフニューラルネットワーク(GNN)サロゲートを開発する。
提案手法は, 力学モデルと比較して最大28,670倍の速さで評価を行う。
結果は、GNNが複雑なメタポピュレーションモデルをパンデミック反応の即時かつ信頼性の高いツールに変換する方法を示している。
論文 参考訳（メタデータ） (2024-11-10T15:54:09Z) - Addressing Data Heterogeneity in Federated Learning of Cox Proportional Hazards Models [8.798959872821962]
本稿では,フェデレーションサバイバル分析の分野,特にCox Proportional Hazards(CoxPH)モデルについて概説する。
本稿では,合成データセットと実世界のアプリケーション間のモデル精度を向上させるために,特徴ベースのクラスタリングを用いたFLアプローチを提案する。
論文 参考訳（メタデータ） (2024-07-20T18:34:20Z) - Fine-tuning Large Language Models for Automated Diagnostic Screening Summaries [0.024105148723769353]
我々は、精神状態検査から簡潔な要約を生成するために、いくつかの最先端の大規模言語モデル(LLM)を評価した。
確立されたROUGEメトリクスと人間評価器からの入力を用いて、要約生成のための4つの異なるモデルを厳格に評価する。
我々の最高性能の微調整モデルは既存のモデルより優れており、ROUGE-1とROUGE-Lはそれぞれ0.810と0.764である。
論文 参考訳（メタデータ） (2024-03-29T12:25:37Z) - Federated Model Aggregation via Self-Supervised Priors for Highly
Imbalanced Medical Image Classification [31.633870207003092]
本稿では,公用自己監督型補助ネットワークを用いたクライアント間クラス間変動について検討する。
我々は,グローバルモデル最適化を導くために,自己教師付き事前制御による動的バランスの取れたモデルアグリゲーションを導出する。
論文 参考訳（メタデータ） (2023-07-27T15:52:18Z) - Towards Understanding and Mitigating Dimensional Collapse in Heterogeneous Federated Learning [112.69497636932955]
フェデレートラーニングは、プライバシを考慮したデータ共有を必要とせずに、さまざまなクライアントでモデルをトレーニングすることを目的としている。
本研究では,データの不均一性がグローバル集約モデルの表現に与える影響について検討する。
フェデレーション学習における次元的崩壊を効果的に緩和する新しい手法である sc FedDecorr を提案する。
論文 参考訳（メタデータ） (2022-10-01T09:04:17Z) - A Twin Neural Model for Uplift [59.38563723706796]
Upliftは条件付き治療効果モデリングの特定のケースです。
相対リスクのベイズ解釈との関連性を利用して定義した新たな損失関数を提案する。
本提案手法は,シミュレーション設定の最先端と大規模ランダム化実験による実データとの競合性を示す。
論文 参考訳（メタデータ） (2021-05-11T16:02:39Z) - How Faithful is your Synthetic Data? Sample-level Metrics for Evaluating
and Auditing Generative Models [95.8037674226622]
ドメインに依存しない方法で生成モデルの忠実度,多様性,一般化性能を特徴付ける3次元評価指標を提案する。
当社のメトリクスは、精度リコール分析により統計的発散測定を統合し、モデル忠実度と多様性のサンプルおよび分布レベルの診断を可能にします。
論文 参考訳（メタデータ） (2021-02-17T18:25:30Z) - Deep Co-Attention Network for Multi-View Subspace Learning [73.3450258002607]
マルチビューサブスペース学習のための深層コアテンションネットワークを提案する。
共通情報と相補情報の両方を敵意で抽出することを目的としている。
特に、新しいクロス再構成損失を使用し、ラベル情報を利用して潜在表現の構築を誘導する。
論文 参考訳（メタデータ） (2021-02-15T18:46:44Z) - Adversarial Sample Enhanced Domain Adaptation: A Case Study on
Predictive Modeling with Electronic Health Records [57.75125067744978]
ドメイン適応を容易にするデータ拡張手法を提案する。
逆生成したサンプルはドメイン適応時に使用される。
その結果,本手法の有効性とタスクの一般性が確認された。
論文 参考訳（メタデータ） (2021-01-13T03:20:20Z) - Robust Finite Mixture Regression for Heterogeneous Targets [70.19798470463378]
本稿では,サンプルクラスタの探索と,複数の不完全な混合型ターゲットを同時にモデル化するFMRモデルを提案する。
我々は、高次元の学習フレームワークの下で、無症状のオラクルのパフォーマンス境界をモデルに提供します。
その結果,我々のモデルは最先端の性能を達成できることがわかった。
論文 参考訳（メタデータ） (2020-10-12T03:27:07Z)
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。