論文の概要: Learning and Naming Subgroups with Exceptional Survival Characteristics
- arxiv url: http://arxiv.org/abs/2602.22179v1
- Date: Wed, 25 Feb 2026 18:25:47 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-26 18:19:16.948138
- Title: Learning and Naming Subgroups with Exceptional Survival Characteristics
- Title（参考訳）: 例外的生存特性を持つ学習・命名サブグループ
- Authors: Mhd Jawad Al Rahwanji, Sascha Xu, Nils Philipp Walter, Jilles Vreeken,
- Abstract要約: 医学では、他の集団よりも長く、または短く生き残る亜集団を特定することが重要である。
個別の生存曲線を学習し、自動的に条件を学習し、これらを本質的に解釈可能なルールに組み合わせる手法であるSysurvを提案する。
がんデータに関するケーススタディを含む、幅広いデータセットと設定に関する実証的な評価は、Sysurvが洞察力と行動可能な生存サブグループを明らかにしていることを示している。
- 参考スコア（独自算出の注目度）: 32.19880761967807
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In many applications, it is important to identify subpopulations that survive longer or shorter than the rest of the population. In medicine, for example, it allows determining which patients benefit from treatment, and in predictive maintenance, which components are more likely to fail. Existing methods for discovering subgroups with exceptional survival characteristics require restrictive assumptions about the survival model (e.g. proportional hazards), pre-discretized features, and, as they compare average statistics, tend to overlook individual deviations. In this paper, we propose Sysurv, a fully differentiable, non-parametric method that leverages random survival forests to learn individual survival curves, automatically learns conditions and how to combine these into inherently interpretable rules, so as to select subgroups with exceptional survival characteristics. Empirical evaluation on a wide range of datasets and settings, including a case study on cancer data, shows that Sysurv reveals insightful and actionable survival subgroups.
- Abstract（参考訳）: 多くの応用において、他の集団よりも長く、または短く生き残る亜集団を特定することが重要である。
例えば医学では、どの患者が治療の恩恵を受けるか、どのコンポーネントが失敗しやすいかを予測することができる。
例外的な生存特性を持つ部分群を発見する既存の方法は、生存モデル(例えば、比例的ハザード)、事前識別された特徴に関する制限的な仮定を必要とし、平均統計を比較すると、個々の偏差を見渡す傾向にある。
本稿では,無作為生存林を利用して個別生存曲線を学習し,条件を自動的に学習し,これらを本質的に解釈可能な規則に組み合わせて,例外的生存特性を持つサブグループを選択するための,完全に微分可能な非パラメトリック手法であるSysurvを提案する。
がんデータに関するケーススタディを含む、幅広いデータセットと設定に関する実証的な評価は、Sysurvが洞察力と行動可能な生存サブグループを明らかにしていることを示している。
関連論文リスト
- HACSurv: A Hierarchical Copula-Based Approach for Survival Analysis with Dependent Competing Risks [51.95824566163554]
本稿では,階層型アルキメデスコピュラス構造を学習する生存分析手法であるHACSurvを紹介する。
リスクと検閲の間の依存関係をキャプチャすることで、HACSurvは生存予測の精度を向上させる。
論文 参考訳（メタデータ） (2024-10-19T18:52:18Z) - Seeing Unseen: Discover Novel Biomedical Concepts via
Geometry-Constrained Probabilistic Modeling [53.7117640028211]
同定された問題を解決するために,幾何制約付き確率的モデリング処理を提案する。
構成された埋め込み空間のレイアウトに適切な制約を課すために、重要な幾何学的性質のスイートを組み込む。
スペクトルグラフ理論法は、潜在的な新規クラスの数を推定するために考案された。
論文 参考訳（メタデータ） (2024-03-02T00:56:05Z) - SurvivalGAN: Generating Time-to-Event Data for Survival Analysis [121.84429525403694]
検閲と時間的地平線の不均衡は、生成モデルに生存分析に特有の3つの新しい障害モードを経験させる。
本稿では,検閲やイベントの地平線における不均衡に対処し,生存データを扱う生成モデルであるSurvivalGANを提案する。
医療データセットに関する広範な実験により,本手法の評価を行った。
論文 参考訳（メタデータ） (2023-02-24T17:03:51Z) - Multi-Source Survival Domain Adaptation [11.57423546614283]
そこで我々は,新たな生存基準と生存分布の相違尺度を導入する。
2つのがんデータセットに対する実験により、標的領域における最高性能、より良い治療勧告、そして、説明可能な重み行列が明らかにされた。
論文 参考訳（メタデータ） (2022-12-01T10:55:22Z) - Flexible Group Fairness Metrics for Survival Analysis [0.0]
グループフェアネスの指標を用いて、既存の生存率を使ってバイアスを測定する方法について検討する。
偏見の尺度は偏見をよく捉えられるが、校正や採点ルールの尺度では明瞭さが低い。
論文 参考訳（メタデータ） (2022-05-26T20:55:55Z) - A Deep Variational Approach to Clustering Survival Data [5.871238645229228]
変分深層クラスタリングにおけるクラスタサバイバルデータに対する新しい確率的アプローチを提案する。
提案手法は,説明変数と潜在的に検閲された生存時間の両方の分布を明らかにするために,深い生成モデルを用いている。
論文 参考訳（メタデータ） (2021-06-10T14:10:25Z) - Survival Cluster Analysis [93.50540270973927]
異なるリスクプロファイルを持つサブポピュレーションを特定するために、生存分析には未解決の必要性がある。
このニーズに対処するアプローチは、個々の成果のキャラクタリゼーションを改善する可能性が高い。
論文 参考訳（メタデータ） (2020-02-29T22:41:21Z)
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。