論文の概要: Deep Semi-Supervised Survival Analysis for Predicting Cancer Prognosis

• arxiv url: http://arxiv.org/abs/2601.20729v1
• Date: Wed, 28 Jan 2026 16:04:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-29 15:46:07.009681
• Title: Deep Semi-Supervised Survival Analysis for Predicting Cancer Prognosis
• Title（参考訳）: 癌予後予測のための深部半監督型生存分析
• Authors: Anchen Sun, Zhibin Chen, Xiaodong Cai,
• Abstract要約: The Cancer Genome Atlas (TCGA)のデータを用いて,いくつかの癌の予後を予測するためのCox-MTモデルを開発した。 TCGA RNA-seqデータやスライド画像全体を利用する単一モードのCox-MTモデルは、同じデータセットを用いて既存のANNベースのCoxモデルであるCox-nnetよりも大幅に優れていた。 我々のマルチモーダルCox-MTモデルはシングルモーダルモデルよりもかなり優れた性能を示した。
• 参考スコア（独自算出の注目度）: 4.149616771135564
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The Cox Proportional Hazards (PH) model is widely used in survival analysis. Recently, artificial neural network (ANN)-based Cox-PH models have been developed. However, training these Cox models with high-dimensional features typically requires a substantial number of labeled samples containing information about time-to-event. The limited availability of labeled data for training often constrains the performance of ANN-based Cox models. To address this issue, we employed a deep semi-supervised learning (DSSL) approach to develop single- and multi-modal ANN-based Cox models based on the Mean Teacher (MT) framework, which utilizes both labeled and unlabeled data for training. We applied our model, named Cox-MT, to predict the prognosis of several types of cancer using data from The Cancer Genome Atlas (TCGA). Our single-modal Cox-MT models, utilizing TCGA RNA-seq data or whole slide images, significantly outperformed the existing ANN-based Cox model, Cox-nnet, using the same data set across four types of cancer considered. As the number of unlabeled samples increased, the performance of Cox-MT significantly improved with a given set of labeled data. Furthermore, our multi-modal Cox-MT model demonstrated considerably better performance than the single-modal model. In summary, the Cox-MT model effectively leverages both labeled and unlabeled data to significantly enhance prediction accuracy compared to existing ANN-based Cox models trained solely on labeled data.
• Abstract（参考訳）: Cox Proportional Hazards (PH) モデルは生存分析に広く利用されている。 近年,人工ニューラルネットワーク(ANN)を用いたCox-PHモデルが開発されている。 しかし、これらのCoxモデルを高次元の特徴で訓練するには、通常、時間と時間に関する情報を含むかなりの数のラベル付きサンプルが必要である。 トレーニング用のラベル付きデータの限られた可用性は、しばしばANNベースのCoxモデルのパフォーマンスを制約する。 この問題に対処するため,我々は,ラベル付きデータとラベルなしデータの両方をトレーニングに用いるMean Teacher (MT) フレームワークをベースとした,単一およびマルチモーダル ANN ベースの Cox モデルを開発するために,深層半教師付き学習 (DSSL) アプローチを採用した。 The Cancer Genome Atlas (TCGA) のデータを用いて, 癌の予後を予測するために, コックスMTというモデルを適用した。 TCGA RNA-seqデータやスライド画像全体を利用した単一モードのCox-MTモデルでは,既存のANNベースのCoxモデルであるCox-nnetでは,検討対象の4種類の癌に対して同じデータセットを用いて大幅に性能が向上した。 ラベル付きサンプルの数が増加するにつれて, ラベル付きデータのセットによって, Cox-MTの性能は著しく向上した。 さらに,マルチモーダルCox-MTモデルでは,シングルモーダルモデルよりもかなり優れた性能を示した。 要約すると、Cox-MTモデルはラベル付きデータとラベルなしデータの両方を効果的に活用し、ラベル付きデータのみに基づいて訓練された既存のANNベースのCoxモデルと比較して予測精度を大幅に向上させる。

関連論文リスト

• X-ray Insights Unleashed: Pioneering the Enhancement of Multi-Label Long-Tail Data [86.52299247918637]
  胸部X線撮影における長期肺腫瘍の診断は困難であった。 尾部病変の表現力を高める拡散法は近年進歩しているが, 稀な病変例では, それらの発生能が低下している。 そこで本研究では,従来のX線を併用して尾部病変を増大させる新しいデータ合成パイプラインを提案する。
  論文  参考訳（メタデータ） (2025-12-24T06:14:55Z)
• CoxKAN: Kolmogorov-Arnold Networks for Interpretable, High-Performance Survival Analysis [0.3213991044370425]
  Kolmogorov-Arnold Networks (KAN) は、最近多層パーセプトロン(MLP)の解釈可能かつ正確な代替として提案されている。 我々は,Cox比例ハザードであるCoxKANを,解釈可能な高性能サバイバル解析のために導入する。
  論文  参考訳（メタデータ） (2024-09-06T13:59:58Z)
• Mini-batch Estimation for Deep Cox Models: Statistical Foundations and Practical Guidance [7.0241507849464675]
  勾配降下(SGD)は、ディープコックスニューラルネットワーク(Cox-NN)の最適化に広く用いられている。 SGDは, 従来の部分的類似度とは異なるミニバッチ部分類似度の平均を最適化することを目的としている。 我々は,Cox-NN の mb-MPLE が一貫したものであり,最大最小収束率をポリ対数係数まで達成できることを確認した。
  論文  参考訳（メタデータ） (2024-08-05T21:25:10Z)
• Clinical Deterioration Prediction in Brazilian Hospitals Based on Artificial Neural Networks and Tree Decision Models [56.93322937189087]
  超強化ニューラルネットワーク(XBNet)は臨床劣化(CD)を予測するために用いられる XGBoostモデルはブラジルの病院のデータからCDを予測する最良の結果を得た。
  論文  参考訳（メタデータ） (2022-12-17T23:29:14Z)
• FastCPH: Efficient Survival Analysis for Neural Networks [57.03275837523063]
  我々は,線形時間で動作する新しい手法であるFastCPHを提案し,連結イベントに対する標準的なBreslow法とEfron法の両方をサポートする。 また,FastCPHとLassoNetの併用による特徴空間の解釈性も実証した。
  論文  参考訳（メタデータ） (2022-08-21T03:35:29Z)
• A Federated Cox Model with Non-Proportional Hazards [8.98624781242271]
  最近の研究は、ニューラルネットワークがCoxモデルのような古典的生存モデルを改善する可能性を示している。 本稿では、このデータ設定に適合し、比例的ハザード仮定を緩和するフェデレートされたコックスモデルを提案する。 利用可能な臨床データセットを実験し、フェデレーションモデルが標準モデルと同様に機能できることを実証する。
  論文  参考訳（メタデータ） (2022-07-11T17:58:54Z)
• Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
  ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。 胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。 本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
  論文  参考訳（メタデータ） (2021-02-26T02:29:30Z)
• A generalized deep learning model for multi-disease Chest X-Ray diagnostics [0.0]
  深部畳み込み型ニューラルネットワーク(CNN)の胸部X線による疾患分類における一般化可能性について検討した。 患者数が異なる3つの独立したサイトからデータセットを用いてモデルをトレーニングする。 我々のモデルは、複数のデータセットで訓練された場合、より一般化される。
  論文  参考訳（メタデータ） (2020-10-17T18:57:40Z)
• Self-Training with Improved Regularization for Sample-Efficient Chest X-Ray Classification [80.00316465793702]
  挑戦的なシナリオで堅牢なモデリングを可能にするディープラーニングフレームワークを提案する。 その結果,85%のラベル付きデータを用いて,大規模データ設定で学習した分類器の性能に適合する予測モデルを構築することができた。
  論文  参考訳（メタデータ） (2020-05-03T02:36:00Z)
• A Systematic Approach to Featurization for Cancer Drug Sensitivity Predictions with Deep Learning [49.86828302591469]
  35,000以上のニューラルネットワークモデルをトレーニングし、一般的な成果化技術を駆使しています。 RNA-seqは128以上のサブセットであっても非常に冗長で情報的であることがわかった。
  論文  参考訳（メタデータ） (2020-04-30T20:42:17Z)

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。