論文の概要: Isotonic Survival Regression: Calibrated Survival Distributions from Deep Cox Models

• arxiv url: http://arxiv.org/abs/2605.16571v1
• Date: Fri, 15 May 2026 19:20:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 17:57:46.708284
• Title: Isotonic Survival Regression: Calibrated Survival Distributions from Deep Cox Models
• Title（参考訳）: イソトニック・サバイバル回帰:ディープコックスモデルによるキャリブレーション型サバイバル分布
• Authors: Anchit Jain, Kevin Zhang, Stephen Bates,
• Abstract要約: タイム・トゥ・エアのデータは生命科学や工学に広く浸透しているが、一般的に検閲とともに遭遇する。 ディープコックスモデルは検閲を優雅に処理するため、時間から時間までのデータを分析するための一般的な方法として登場した。 本稿では, ソトニック回帰を用いて予測生存確率を補正するディープコックスモデルのための新しいポストホックキャリブレーション法を提案する。
• 参考スコア（独自算出の注目度）: 10.543514030176768
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Time-to-event data is widespread across the life sciences and engineering, but it is typically encountered together with censoring, which complicates the application of standard machine learning methods. Deep Cox models have emerged as a popular method for analyzing time-to-event data because they gracefully handle censoring and can be used with unstructured data such as clinical text reports, genomic sequences, and pathology images. However, their predicted survival probabilities are often poorly calibrated, thus limiting their practical utility. In this paper, we propose a novel post hoc calibration method for Deep Cox models that uses isotonic regression to refine predicted survival probabilities without affecting discriminative power. We establish favorable theoretical guarantees, including a double-robustness property and asymptotic calibration. Experiments on synthetic and real-world clinical data demonstrate the empirical effectiveness of our method.
• Abstract（参考訳）: タイム・ツー・イベントのデータは、ライフサイエンスやエンジニアリングで広く使われているが、一般的には、標準的な機械学習手法の適用を複雑にする検閲とともに発生する。 ディープコックスモデルは、検閲を優雅に処理し、臨床テキストレポート、ゲノム配列、病理画像などの構造化されていないデータで使用できるため、タイム・ツー・アウトのデータを解析するための一般的な方法として登場した。 しかし、その生存確率は、しばしば調整が不十分であるため、実用性は制限される。 本稿では, ソトニック回帰法を用いて, 判別力に影響を及ぼすことなく, 予測生存確率を補正する, ディープコックスモデルのポストホックキャリブレーション手法を提案する。 ダブルロバスト性や漸近キャリブレーションを含む理論的保証を確立する。 人工的および実世界の臨床データを用いた実験は,本手法の実証的有効性を示した。

関連論文リスト

• Online Survival Analysis: A Bandit Approach under Cox PH Model [12.224664685642287]
  我々は、生存分析をCox PHモデルの下で純粋にオンライン学習環境に統合するための最初の一歩を踏み出した。 我々は3つの標準バンディットアルゴリズムを適用して探索と搾取のバランスをとる。 本手法は, 近位治療方針の迅速かつ効果的な学習を可能にする。
  論文  参考訳（メタデータ） (2026-04-22T07:52:06Z)
• SurvKAN: A Fully Parametric Survival Model Based on Kolmogorov-Arnold Networks [7.352227733654751]
  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。
  論文  参考訳（メタデータ） (2026-02-02T14:49:14Z)
• Survival modeling using deep learning, machine learning and statistical methods: A comparative analysis for predicting mortality after hospital admission [9.719996519981333]
  コックス比例ハザード(CoxPH)、ステップワイドコックスPH、弾性ネットペナル化コックスモデル、GBM学習など、いくつかの生存分析手法の比較研究を行った。 症例スタディとして,2017年から2019年にかけて,第3次病院救急外来で入院した患者の振り返り分析を行った。 C-indexの結果は、ディープラーニングが同等のパフォーマンスを達成し、DeepSurvが最高の差別を生み出していることを示している。
  論文  参考訳（メタデータ） (2024-03-04T10:46:02Z)
• CenTime: Event-Conditional Modelling of Censoring in Survival Analysis [49.44664144472712]
  CenTimeは、イベントへの時間を直接見積もる、サバイバル分析の新しいアプローチである。 本手法は,非検閲データが少ない場合でも,堅牢なイベント条件検閲機構を特徴とする。 以上の結果から,CenTimeは同等の性能を維持しつつ,死までの時間を予測する上で,最先端のパフォーマンスを提供することがわかった。
  論文  参考訳（メタデータ） (2023-09-07T17:07:33Z)
• 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)
• 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)
• Calibration of prediction rules for life-time outcomes using prognostic Cox regression survival models and multiple imputations to account for missing predictor data with cross-validatory assessment [0.0]
  検閲対象の生存モデルにおけるインプテーションと予測キャリブレーションを組み合わせた手法について述べる。 予測平均化は、ルービンの規則の直接適用とは対照的に、優れた統計的特性、特により小さい予測的変化を有するように見える。
  論文  参考訳（メタデータ） (2021-05-04T20:10:12Z)
• Scalable Marginal Likelihood Estimation for Model Selection in Deep Learning [78.83598532168256]
  階層型モデル選択は、推定困難のため、ディープラーニングではほとんど使われない。 本研究は,検証データが利用できない場合,限界的可能性によって一般化が向上し,有用であることを示す。
  論文  参考訳（メタデータ） (2021-04-11T09:50:24Z)
• 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。