論文の概要: Interpretable Multiple Myeloma Prognosis with Observational Medical Outcomes Partnership Data

• arxiv url: http://arxiv.org/abs/2603.20341v1
• Date: Fri, 20 Mar 2026 09:32:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-24 19:11:38.854971
• Title: Interpretable Multiple Myeloma Prognosis with Observational Medical Outcomes Partnership Data
• Title（参考訳）: 経時的に診断しえた多発性骨髄腫の1例
• Authors: Salma Rachidi, Aso Bozorgpanah, Eric Fey, Alexander Jung,
• Abstract要約: 実世界のデータに基づいてトレーニングされた機械学習モデルの解釈可能性を保証するための2つの新しい正規化手法を提案する。 ヘルシンキ大学病院の臨床データを用いた多発性骨髄腫患者の5年間の生存予測について検討した。 812例のデータを用いた数値実験において,本手法の有効性を検証した。
• 参考スコア（独自算出の注目度）: 40.33203847364774
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Machine learning (ML) promises better clinical decision-making, yet opaque model behavior limits the adoption in healthcare. We propose two novel regularization techniques for ensuring the interpretability of ML models trained on real-world data. In particular, we consider the prediction of five-year survival for multiple myeloma patients using clinical data from Helsinki University Hospital. To ensure the interpretability of the trained models, we use two alternative constructions for a penalty term used for regularization. The first one penalizes deviations from the predictions obtained from an interpretable logistic regression method with two manually chosen features. The second construction requires consistency of model predictions with the revised international staging system (R-ISS). We verify the usefulness of the proposed regularization techniques in numerical experiments using data from 812 patients. They achieve an accuracy up to 0.721 on a test set and SHAP values show that the models rely on the selected important features.
• Abstract（参考訳）: 機械学習(ML)は、より良い臨床的意思決定を約束するが、不透明なモデル行動は、医療の採用を制限する。 実世界のデータに基づいてトレーニングされたMLモデルの解釈可能性を保証するための2つの新しい正規化手法を提案する。 特にヘルシンキ大学病院の臨床データを用いた多発性骨髄腫患者の5年間の生存予測について検討した。 トレーニングされたモデルの解釈可能性を確保するために、正規化に使用するペナルティ項に2つの代替構成を用いる。 最初の1つは、2つの手動で選択した特徴を持つ解釈可能なロジスティック回帰法から得られる予測から逸脱を罰する。 2番目の構造は、修正された国際ステージシステム(R-ISS)とのモデル予測の整合性を必要とする。 812例のデータを用いた数値実験において,本手法の有効性を検証した。 彼らはテストセットで最大0.721の精度を達成し、SHAP値はモデルが選択した重要な特徴に依存していることを示している。

関連論文リスト

• Bootstrapping-based Regularisation for Reducing Individual Prediction Instability in Clinical Risk Prediction Models [2.1127261244588156]
  本稿では,ブートストラッププロセスを直接深層ニューラルネットワークのトレーニングに組み込む,ブートストラップに基づく新たな正規化フレームワークを提案する。 このアプローチは、再サンプリングされたデータセット間の予測変数を制約し、固有の安定性特性を持つ単一のモデルを生成する。 提案手法を従来モデルとアンサンブルモデルに対して提案した正規化手法を用いて構築したモデルを評価した。
  論文  参考訳（メタデータ） (2026-02-11T20:47:30Z)
• Latent Neural-ODE for Model-Informed Precision Dosing: Overcoming Structural Assumptions in Pharmacokinetics [3.0991186209192794]
  タクロリムスAUC予測のための遅延正規微分方程式(Latent ODE)に基づく新しいデータ駆動方式を提案する。 このディープラーニングアプローチは、疎い臨床データから個別化されたダイナミクスを直接学習する。 潜在ODEモデルは、標準的な仮定から逸脱した基盤となる生物学的メカニズムであっても、優れた堅牢性を示し、高い精度を維持した。
  論文  参考訳（メタデータ） (2026-02-03T07:30:48Z)
• A Federated and Parameter-Efficient Framework for Large Language Model Training in Medicine [59.78991974851707]
  大規模言語モデル(LLM)は、質問応答や診断など、医療ベンチマークにおいて強力なパフォーマンスを示している。 ほとんどの医療用LDMは、異種システムの一般化性と安全性の制限に直面している単一の機関のデータに基づいて訓練されている。 本稿では, LLMを医療応用に適用するためのモデルに依存しない, パラメータ効率のよいフェデレーション学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-29T18:48:21Z)
• On Arbitrary Predictions from Equally Valid Models [49.56463611078044]
  モデル多重性(英: Model multiplicity)とは、同じ患者に対して矛盾する予測を認める複数の機械学習モデルを指す。 たとえ小さなアンサンブルであっても、実際は予測的多重性を緩和・緩和できることを示す。
  論文  参考訳（メタデータ） (2025-07-25T16:15:59Z)
• Explainable AI for Mental Health Emergency Returns: Integrating LLMs with Predictive Modeling [2.466324275447403]
  救急部門(ED)は精神状態の回復が大きな医療負担となり、患者の24-27%が30日以内に帰国する。 大規模言語モデル(LLM)と機械学習を統合することにより、EDメンタルヘルスリターンリスクモデルの予測精度と臨床的解釈性が向上するか否かを評価する。
  論文  参考訳（メタデータ） (2025-01-21T15:41:20Z)
• Evaluating Machine Learning Models against Clinical Protocols for Enhanced Interpretability and Continuity of Care [39.58317527488534]
  臨床実践において、意思決定は確立されたプロトコルに大きく依存し、しばしば規則として定式化される。 機械学習アプリケーションの増加にもかかわらず、臨床実践への導入は依然として限られている。 確立されたプロトコルに関して,MLモデルの精度を評価する指標を提案する。
  論文  参考訳（メタデータ） (2024-11-05T13:50:09Z)
• Machine Learning for ALSFRS-R Score Prediction: Making Sense of the Sensor Data [44.99833362998488]
  筋萎縮性側索硬化症(Amyotrophic Lateral Sclerosis、ALS)は、急速に進行する神経変性疾患である。 iDPP@CLEF 2024チャレンジを先導した今回の調査は,アプリから得られるセンサデータを活用することに焦点を当てている。
  論文  参考訳（メタデータ） (2024-07-10T19:17:23Z)
• Robust and Interpretable Medical Image Classifiers via Concept Bottleneck Models [49.95603725998561]
  本稿では,自然言語の概念を用いた堅牢で解釈可能な医用画像分類器を構築するための新しいパラダイムを提案する。 具体的には、まず臨床概念をGPT-4から検索し、次に視覚言語モデルを用いて潜在画像の特徴を明示的な概念に変換する。
  論文  参考訳（メタデータ） (2023-10-04T21:57:09Z)
• On the explainability of hospitalization prediction on a large COVID-19 patient dataset [45.82374977939355]
  我々は、新型コロナウイルス陽性の米国の患者の大規模な(110ドル以上)コホートでの入院を予測するために、さまざまなAIモデルを開発した。 高いデータアンバランスにもかかわらず、モデルは平均精度0.96-0.98 (0.75-0.85)、リコール0.96-0.98 (0.74-0.85)、F_score097-0.98 (0.79-0.83)に達する。
  論文  参考訳（メタデータ） (2021-10-28T10:23:38Z)

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。