論文の概要: ICODEN: Ordinary Differential Equation Neural Networks for Interval-Censored Data
- arxiv url: http://arxiv.org/abs/2602.10303v1
- Date: Tue, 10 Feb 2026 21:18:38 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-12 21:44:01.285572
- Title: ICODEN: Ordinary Differential Equation Neural Networks for Interval-Censored Data
- Title（参考訳）: ICODEN:時間差分方程式ニューラルネット
- Authors: Haoling Wang, Lang Zeng, Tao Sun, Youngjoo Cho, Ying Ding,
- Abstract要約: ICODENは、間隔知覚データのための通常の微分方程式に基づくニューラルネットワークである。
常に良好な予測精度を達成し、予測器の数が増加するにつれて安定である。
これらの結果はICODENを高次元バイオメディカル環境下でのインターバルセンシングサバイバルデータによる予測のための実用的な仮定型ツールとして確立する。
- 参考スコア（独自算出の注目度）: 4.9839207502291805
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Predicting time-to-event outcomes when event times are interval censored is challenging because the exact event time is unobserved. Many existing survival analysis approaches for interval-censored data rely on strong model assumptions or cannot handle high-dimensional predictors. We develop ICODEN, an ordinary differential equation-based neural network for interval-censored data that models the hazard function through deep neural networks and obtains the cumulative hazard by solving an ordinary differential equation. ICODEN does not require the proportional hazards assumption or a prespecified parametric form for the hazard function, thereby permitting flexible survival modeling. Across simulation settings with proportional or non-proportional hazards and both linear and nonlinear covariate effects, ICODEN consistently achieves satisfactory predictive accuracy and remains stable as the number of predictors increases. Applications to data from multiple phases of the Alzheimer's Disease Neuroimaging Initiative (ADNI) and to two Age-Related Eye Disease Studies (AREDS and AREDS2) for age-related macular degeneration (AMD) demonstrate ICODEN's robust prediction performance. In both applications, predicting time-to-AD or time-to-late AMD, ICODEN effectively uses hundreds to more than 1,000 SNPs and supports data-driven subgroup identification with differential progression risk profiles. These results establish ICODEN as a practical assumption-lean tool for prediction with interval-censored survival data in high-dimensional biomedical settings.
- Abstract（参考訳）: イベント時間がインターバルに検閲された場合、正確なイベント時間が観測されないため、時間からイベントまでの結果を予測することは困難である。
区間検閲データに対する既存の生存分析アプローチの多くは、強いモデル仮定に依存するか、あるいは高次元予測器を扱えない。
ICODENは、深層ニューラルネットワークを介してハザード関数をモデル化し、通常の微分方程式を解くことで累積ハザードを求める、間隔知覚データのための常微分方程式に基づくニューラルネットワークである。
ICODENは、ハザード関数に対する比例的ハザード仮定や所定のパラメトリック形式を必要としないため、フレキシブルサバイバルモデリングが可能である。
比例的あるいは非比例的ハザードと線形的および非線形的共変量効果のシミュレーション設定を通して、ICODENは一貫して良好な予測精度を達成し、予測器の数が増加するにつれて安定である。
老化関連黄斑変性症(AMD)に対するアルツハイマー病神経画像イニシアチブ(ADNI)と老化関連眼疾患研究(AREDSとAREDS2)の複数段階のデータへの応用は、ICODENの堅牢な予測性能を示している。
どちらのアプリケーションでも、時間からADまでの予測やAMDの予測では、ICODENは数百から1000以上のSNPを使用し、差分進行リスクプロファイルを持つデータ駆動サブグループ識別をサポートする。
これらの結果はICODENを高次元バイオメディカル環境下でのインターバルセンシングサバイバルデータによる予測のための実用的な仮定型ツールとして確立する。
関連論文リスト
- Interpretable Deep Regression Models with Interval-Censored Failure Time Data [1.2993568435938014]
間隔制限付きデータの深層学習手法は、まだ探索が過小評価されており、特定のデータタイプやモデルに限られている。
本研究は、部分線形変換モデルの幅広いクラスを持つ区間知覚データに対する一般的な回帰フレームワークを提案する。
我々の手法をアルツハイマー病神経イメージングイニシアチブデータセットに適用すると、従来のアプローチと比較して新しい洞察と予測性能が向上する。
論文 参考訳（メタデータ） (2025-03-25T15:27:32Z) - Evidential time-to-event prediction with calibrated uncertainty quantification [12.446406577462069]
Time-to-event分析は、臨床予後と治療勧告に関する洞察を提供する。
本稿では,時間とイベントの予測に特化して設計された明らかな回帰モデルを提案する。
我々のモデルは正確かつ信頼性の高い性能を提供し、最先端の手法より優れていることを示す。
論文 参考訳（メタデータ） (2024-11-12T15:06:04Z) - Deep Ensembles Meets Quantile Regression: Uncertainty-aware Imputation for Time Series [45.76310830281876]
量子回帰に基づくタスクネットワークのアンサンブルを用いて不確実性を推定する新しい手法であるQuantile Sub-Ensemblesを提案する。
提案手法は,高い損失率に頑健な高精度な計算法を生成するだけでなく,非生成モデルの高速な学習により,計算効率も向上する。
論文 参考訳（メタデータ） (2023-12-03T05:52:30Z) - MedDiffusion: Boosting Health Risk Prediction via Diffusion-based Data
Augmentation [58.93221876843639]
本稿では,MedDiffusion という,エンドツーエンドの拡散に基づくリスク予測モデルを提案する。
トレーニング中に合成患者データを作成し、サンプルスペースを拡大することで、リスク予測性能を向上させる。
ステップワイズ・アテンション・メカニズムを用いて患者の来訪者間の隠れた関係を識別し、高品質なデータを生成する上で最も重要な情報をモデルが自動的に保持することを可能にする。
論文 参考訳（メタデータ） (2023-10-04T01:36:30Z) - tdCoxSNN: Time-Dependent Cox Survival Neural Network for Continuous-time
Dynamic Prediction [19.38247205641199]
本研究では,時間依存型Coxサバイバルニューラルネットワーク(tdCoxSNN)を提案する。
提案手法と共同モデリングおよびランドマーク手法を広範囲なシミュレーションにより評価・比較する。
論文 参考訳（メタデータ） (2023-07-12T03:03:40Z) - 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) - Mixed Effects Neural ODE: A Variational Approximation for Analyzing the
Dynamics of Panel Data [50.23363975709122]
パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。
我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。
次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
論文 参考訳（メタデータ） (2022-02-18T22:41:51Z) - Real-time Prediction for Mechanical Ventilation in COVID-19 Patients
using A Multi-task Gaussian Process Multi-objective Self-attention Network [9.287068570192057]
本報告では, 院内感染患者の機械的換気を要す確率を予測できるロバスト・イン・タイム・予測器を提案する。
新型コロナウイルス患者のリスク予測の課題は、臨床現場で観察された患者のバイタルや検査室の大きなばらつきと不規則なサンプリングにある。
予測タスクを多目的学習フレームワークに設定し、すべての時点におけるリスクスコアを完全に最適化する。
論文 参考訳（メタデータ） (2021-02-01T20:35:22Z) - DeepRite: Deep Recurrent Inverse TreatmEnt Weighting for Adjusting
Time-varying Confounding in Modern Longitudinal Observational Data [68.29870617697532]
時系列データにおける時間変化の相違に対するDeep Recurrent Inverse TreatmEnt重み付け(DeepRite)を提案する。
DeepRiteは、合成データから基底的真理を復元し、実際のデータから偏りのない処理効果を推定する。
論文 参考訳（メタデータ） (2020-10-28T15:05:08Z) - 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)
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。