論文の概要: Improving Generalizability of Hip Fracture Risk Prediction via Domain Adaptation Across Multiple Cohorts

• arxiv url: http://arxiv.org/abs/2602.17962v1
• Date: Fri, 20 Feb 2026 03:37:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-23 18:01:41.216776
• Title: Improving Generalizability of Hip Fracture Risk Prediction via Domain Adaptation Across Multiple Cohorts
• Title（参考訳）: 複数のコホート間の領域適応によるヒップフラクチャーリスク予測の一般化性の向上
• Authors: Shuo Sun, Meiling Zhou, Chen Zhao, Joyce H. Keyak, Nancy E. Lane, Jeffrey D. Deng, Kuan-Jui Su, Hui Shen, Hong-Wen Deng, Kui Zhang, Weihua Zhou,
• Abstract要約: 我々は,3つの大コホートにまたがる臨床およびDXA由来の特徴の共有セットを用いて,3つのドメイン適応法の性能評価を行った。 男性のみのソースコホートでは、ドメイン適応法は非適応ベースラインよりも一貫して性能が向上した。 結果のないアプローチにより、現実的な展開条件下でのモデル選択が可能となり、股関節骨折リスク予測におけるモデルの一般化が向上する。
• 参考スコア（独自算出の注目度）: 15.756482189835566
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Clinical risk prediction models often fail to be generalized across cohorts because underlying data distributions differ by clinical site, region, demographics, and measurement protocols. This limitation is particularly pronounced in hip fracture risk prediction, where the performance of models trained on one cohort (the source cohort) can degrade substantially when deployed in other cohorts (target cohorts). We used a shared set of clinical and DXA-derived features across three large cohorts - the Study of Osteoporotic Fractures (SOF), the Osteoporotic Fractures in Men Study (MrOS), and the UK Biobank (UKB), to systematically evaluate the performance of three domain adaptation methods - Maximum Mean Discrepancy (MMD), Correlation Alignment (CORAL), and Domain - Adversarial Neural Networks (DANN) and their combinations. For a source cohort with males only and a source cohort with females only, domain-adaptation methods consistently showed improved performance than the no-adaptation baseline (source-only training), and the use of combinations of multiple domain adaptation methods delivered the largest and most stable gains. The method that combines MMD, CORAL, and DANN achieved the highest discrimination with the area under curve (AUC) of 0.88 for a source cohort with males only and 0.95 for a source cohort with females only), demonstrating that integrating multiple domain adaptation methods could produce feature representations that are less sensitive to dataset differences. Unlike existing methods that rely heavily on supervised tuning or assume known outcomes of samples in target cohorts, our outcome-free approaches enable the model selection under realistic deployment conditions and improve generalization of models in hip fracture risk prediction.
• Abstract（参考訳）: 臨床リスク予測モデルは、臨床現場、地域、人口統計、測定プロトコルによって基礎となるデータ分布が異なるため、コホート全体で一般化されないことが多い。 この制限は、特に股関節骨折リスク予測において顕著であり、あるコホート(ソースコホート)で訓練されたモデルの性能は、他のコホート(ターゲットコホート)に配備されたときに著しく低下する。 われわれは3つの大コホート(SOF),MrOS(MrOS),UKB(UK Biobank)の3つの骨粗しょう性骨折(SOF),MrOS(MrOS),UK(UK Biobank)の3つの臨床およびDXA由来の特徴を共有し,最大平均差(MMD),相関アライメント(CORAL),Domain-Adversarial Neural Networks(DANN)およびそれらの組み合わせのパフォーマンスを体系的に評価した。 男性のみのソースコホートと女性のみのソースコホートでは、ドメイン適応法は、非適応ベースライン(ソースのみのトレーニング)よりも一貫してパフォーマンスが向上し、複数のドメイン適応法の組み合わせを使うことで、最大かつ最も安定したゲインを実現した。 MMD、Coral、DANNを組み合わせたこの手法は、男性のみのソースコホートに対して0.88の曲線(AUC)、女性のみのソースコホートに対して0.95の曲線(AUC)に対する最も高い評価を達成し、複数のドメイン適応手法を統合することで、データセットの違いに敏感でない特徴表現を生成できることを示した。 対象コホートにおけるサンプルの教師付きチューニングや既知の結果の仮定に大きく依存する既存の手法とは異なり,本手法は現実的な展開条件下でのモデル選択を可能にし,股関節骨折リスク予測におけるモデルの一般化を向上する。

関連論文リスト

• Investigating the Impact of Histopathological Foundation Models on Regressive Prediction of Homologous Recombination Deficiency [52.50039435394964]
  回帰に基づくタスクの基礎モデルを体系的に評価する。 我々は5つの最先端基礎モデルを用いて、スライド画像全体(WSI)からパッチレベルの特徴を抽出する。 乳房、子宮内膜、肺がんコホートにまたがるこれらの抽出された特徴に基づいて、連続したRDDスコアを予測するモデルが訓練されている。
  論文  参考訳（メタデータ） (2026-01-29T14:06:50Z)
• Causal and Federated Multimodal Learning for Cardiovascular Risk Prediction under Heterogeneous Populations [0.0]
  我々は、クロスモーダルトランスフォーマーとグラフニューラルネットワークを統合した単一のマルチモーダル学習フレームワークを作成し、因果表現学習を行い、パーソナライズされたCVDリスクを測定する。 このモデルは、ゲノム変異、心臓MRI、心電図波形、ウェアラブルストリーム、構造化ERHデータを組み合わせてリスクを予測する。 本研究は,CVD予測に対する臨床的信頼度,解釈性,プライバシへの原則的アプローチの道を開くものである。
  論文  参考訳（メタデータ） (2026-01-05T14:32:49Z)
• Cohort-Aware Agents for Individualized Lung Cancer Risk Prediction Using a Retrieval-Augmented Model Selection Framework [4.828586430285072]
  肺がんのリスク予測は、患者集団間の大きな変動と臨床環境のために依然として困難である。 本稿では,各患者に対して最も適切なモデルを動的に選択する,パーソナライズされた肺癌リスク予測エージェントを提案する。
  論文  参考訳（メタデータ） (2025-08-20T02:59:39Z)
• Targeted Data Fusion for Causal Survival Analysis Under Distribution Shift [46.84912148188679]
  複数のデータソースにまたがる因果推論は、科学的発見の一般化性と複製性を高めるための有望な道を提供する。 既存のアプローチでは、検閲や離散的かつ連続的な時間の統合など、生存分析のユニークな課題に対処できない。 マルチソース設定におけるターゲットサイト固有の因果効果を推定する2つの新しい手法を提案する。
  論文  参考訳（メタデータ） (2025-01-30T23:21:25Z)
• Ambiguous Medical Image Segmentation using Diffusion Models [60.378180265885945]
  我々は,グループ洞察の分布を学習することで,複数の可算出力を生成する単一拡散モデルに基づくアプローチを提案する。 提案モデルでは,拡散の固有のサンプリングプロセスを利用してセグメンテーションマスクの分布を生成する。 その結果,提案手法は既存の最先端曖昧なセグメンテーションネットワークよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2023-04-10T17:58:22Z)
• Domain-Specific Risk Minimization for Out-of-Distribution Generalization [104.17683265084757]
  まず、適応性ギャップを明示的に考慮した一般化境界を確立する。 本稿では,目標に対するより良い仮説の選択を導くための効果的なギャップ推定法を提案する。 もう1つの方法は、オンラインターゲットサンプルを用いてモデルパラメータを適応させることにより、ギャップを最小化することである。
  論文  参考訳（メタデータ） (2022-08-18T06:42:49Z)
• Targeting Underrepresented Populations in Precision Medicine: A Federated Transfer Learning Approach [7.467496975496821]
  多様な人口と複数の医療機関の異種データを統合した双方向データ統合戦略を提案する。 提案手法は, 人口の予測精度と予測精度を向上し, 人口間のモデル性能のギャップを小さくすることを示す。
  論文  参考訳（メタデータ） (2021-08-27T04:04:34Z)
• Bootstrapping Your Own Positive Sample: Contrastive Learning With Electronic Health Record Data [62.29031007761901]
  本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。 EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。 私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
  論文  参考訳（メタデータ） (2021-04-07T06:02:04Z)
• 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)
• On the Importance of Diversity in Re-Sampling for Imbalanced Data and Rare Events in Mortality Risk Models [0.0]
  外科的アウトカムリスクツール(SORT)は、英国の主要な選択的内科手術の期間を通して死亡リスクを予測するために開発されたツールの1つです。 本研究では,データセット内のクラス不均衡に対処することにより,SORT予測モデルの拡張を行う。 提案手法は,共通再サンプリング技術上での多様性に基づく選択の応用について検討する。
  論文  参考訳（メタデータ） (2020-12-15T09:45:35Z)

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。