論文の概要: SurvKAN: A Fully Parametric Survival Model Based on Kolmogorov-Arnold Networks
- arxiv url: http://arxiv.org/abs/2602.02179v1
- Date: Mon, 02 Feb 2026 14:49:14 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-03 19:28:34.226212
- Title: SurvKAN: A Fully Parametric Survival Model Based on Kolmogorov-Arnold Networks
- Title（参考訳）: SurvKAN: Kolmogorov-Arnoldネットワークに基づく完全なパラメトリックサバイバルモデル
- Authors: Marina Mastroleo, Alberto Archetti, Federico Mastroleo, Matteo Matteucci,
- Abstract要約: Kolmogorov-Arnold Networks (KAN) に基づく完全パラメトリック・時間連続生存モデルであるSurvKANを紹介する。
SurvKANは時間を、ログハザード関数を直接予測するkanへの明示的な入力として扱い、完全な生存可能性に関するエンドツーエンドのトレーニングを可能にする。
- 参考スコア（独自算出の注目度）: 7.352227733654751
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Accurate prediction of time-to-event outcomes is critical for clinical decision-making, treatment planning, and resource allocation in modern healthcare. While classical survival models such as Cox remain widely adopted in standard practice, they rely on restrictive assumptions, including linear covariate relationships and proportional hazards over time, that often fail to capture real-world clinical dynamics. Recent deep learning approaches like DeepSurv and DeepHit offer improved expressivity but sacrifice interpretability, limiting clinical adoption where trust and transparency are paramount. Hybrid models incorporating Kolmogorov-Arnold Networks (KANs), such as CoxKAN, have begun to address this trade-off but remain constrained by the semi-parametric Cox framework. In this work we introduce SurvKAN, a fully parametric, time-continuous survival model based on KAN architectures that eliminates the proportional hazards constraint. SurvKAN treats time as an explicit input to a KAN that directly predicts the log-hazard function, enabling end-to-end training on the full survival likelihood. Our architecture preserves interpretability through learnable univariate functions that indicate how individual features influence risk over time. Extensive experiments on standard survival benchmarks demonstrate that SurvKAN achieves competitive or superior performance compared to classical and state-of-the-art baselines across concordance and calibration metrics. Additionally, interpretability analyses reveal clinically meaningful patterns that align with medical domain knowledge.
- Abstract（参考訳）: 医療における臨床意思決定、治療計画、資源配分において、時間と結果の正確な予測が重要である。
コックスのような古典的サバイバルモデルは、標準的な慣行において広く採用されているが、それらは線形共変関係や時間とともに比例的ハザードを含む制限的な仮定に依存しており、しばしば実世界の臨床力学を捉えることに失敗する。
DeepSurvやDeepHitといった最近のディープラーニングアプローチは、表現力を改善するが、解釈可能性の犠牲となり、信頼と透明性が最重要である臨床導入を制限する。
Kolmogorov-Arnold Networks (KAN) を組み込んだハイブリッドモデルは、CoxKANのようなこのトレードオフに対処し始めたが、セミパラメトリックのCoxフレームワークによって制約を受け続けている。
本稿では,SurvKANについて紹介する。SurvKANは,SurvKANアーキテクチャに基づく完全パラメトリックかつ時間連続サバイバルモデルであり,比例的ハザード制約を排除している。
SurvKANは時間を、ログハザード関数を直接予測するkanへの明示的な入力として扱い、完全な生存可能性に関するエンドツーエンドのトレーニングを可能にする。
我々のアーキテクチャは、学習可能な単変量関数を通して解釈可能性を保持し、個々の特徴が時間の経過とともにリスクにどのように影響するかを示す。
標準サバイバルベンチマークの広範な実験により、SurvKANは、コンコーディオンとキャリブレーションのメトリクスをまたいだ古典的および最先端のベースラインと比較して、競争力または優れたパフォーマンスを達成することが示された。
さらに、解釈可能性分析は、医学領域の知識と整合した臨床的に意味のあるパターンを明らかにする。
関連論文リスト
- Deep Variational Contrastive Learning for Joint Risk Stratification and Time-to-Event Estimation [9.592144785458443]
ConverSE は、予測可能なリスク階層化のための対照的な学習を伴う変分オートエンコーダを統一するディープサバイバルモデルである。
既存のディープサバイバル法と比較して、有意義な患者層を維持しながら、競争力や優れたパフォーマンスを達成する。
論文 参考訳（メタデータ） (2026-02-01T18:07:40Z) - 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) - 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) - Deep State-Space Generative Model For Correlated Time-to-Event Predictions [54.3637600983898]
そこで本研究では,様々な種類の臨床イベント間の相互作用を捉えるために,潜伏状態空間生成モデルを提案する。
また,死亡率と臓器不全の関連性について有意な知見が得られた。
論文 参考訳（メタデータ） (2024-07-28T02:42:36Z) - TREEMENT: Interpretable Patient-Trial Matching via Personalized Dynamic
Tree-Based Memory Network [54.332862955411656]
臨床試験は薬物開発に不可欠であるが、しばしば高価で非効率な患者募集に苦しむ。
近年,患者と臨床試験を自動マッチングすることで患者採用を高速化する機械学習モデルが提案されている。
本稿では,TREement という名前の動的ツリーベースメモリネットワークモデルを導入する。
論文 参考訳（メタデータ） (2023-07-19T12:35:09Z) - 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) - SurvLatent ODE : A Neural ODE based time-to-event model with competing
risks for longitudinal data improves cancer-associated Deep Vein Thrombosis
(DVT) prediction [68.8204255655161]
本稿では,不規則なサンプルデータの下で潜在表現をパラメータ化する生成時間対イベントモデルSurvLatent ODEを提案する。
そこで,本モデルでは,事象特異的ハザード関数の形状を指定せずに,複数の競合イベントの生存時間を柔軟に推定する。
SurvLatent ODEは、DVTリスクグループを成層化するために、現在の臨床標準であるKhorana Riskスコアより優れている。
論文 参考訳（メタデータ） (2022-04-20T17:28:08Z) - WRSE -- a non-parametric weighted-resolution ensemble for predicting
individual survival distributions in the ICU [0.251657752676152]
集中治療室(ICU)における死亡リスクの動的評価は、患者を階層化し、治療効果を知らせたり、早期警戒システムの一部として機能したりすることができる。
現状の確率モデルと競合する結果を示すとともに,2～9倍のトレーニング時間を大幅に短縮する。
論文 参考訳（メタデータ） (2020-11-02T10:13:59Z) - DeepHazard: neural network for time-varying risks [0.6091702876917281]
生存予測のための新しいフレキシブルな手法,DeepHazardを提案する。
我々のアプローチは、時間内に添加物としてのみ制限される、広範囲の継続的なハザード形態に適合している。
数値的な例では,我々の手法は,C-インデックス計量を用いて評価された予測能力において,既存の最先端手法よりも優れていた。
論文 参考訳（メタデータ） (2020-07-26T21:01:49Z) - Neural Topic Models with Survival Supervision: Jointly Predicting Time-to-Event Outcomes and Learning How Clinical Features Relate [10.709447977149532]
本稿では,生存予測モデル学習のためのニューラルネットワークフレームワークを提案する。
特に、各主題を「トピック」の分布としてモデル化する。
トピックの存在は、特定の臨床特徴が被験者に現れる可能性が高くなることを意味する。
論文 参考訳（メタデータ） (2020-07-15T16:20:04Z) - A General Framework for Survival Analysis and Multi-State Modelling [70.31153478610229]
ニューラル常微分方程式を多状態生存モデル推定のためのフレキシブルで一般的な方法として用いる。
また,本モデルでは,サバイバルデータセット上での最先端性能を示すとともに,マルチステート環境での有効性を示す。
論文 参考訳（メタデータ） (2020-06-08T19:24:54Z)
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。