論文の概要: Expert-Driven Survival Machines: Improving Stratification and Interpretability in Multiple Clinical Cohorts
- arxiv url: http://arxiv.org/abs/2606.14608v1
- Date: Fri, 12 Jun 2026 16:30:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-15 16:00:42.988636
- Title: Expert-Driven Survival Machines: Improving Stratification and Interpretability in Multiple Clinical Cohorts
- Title（参考訳）: 専門家駆動型生存機械 : 複数の臨床コホートにおける成層化と解釈性の改善
- Authors: Farica Zhuang, Zixuan Wen, Christos Davatzikos, Li Shen,
- Abstract要約: このような異種生存パターンをモデル化するためのAdaCSM(Ada-of-experts enhanced Adaptive Deep Clustering survival framework)を提案する。
本稿では、パラメトリックサバイバルモデリングフレームワーク内で条件付き特殊化を可能にするルーティングベースのエキスパートメカニズムを提案する。
本手法を複数の実世界の慢性臨床コホート上での最先端の生存と深層クラスタリングモデルと比較した。
- 参考スコア（独自算出の注目度）: 13.019955925473115
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Survival prediction plays a central role for healthcare providers and clinical researchers. Accurate risk stratification enables early intervention and improved patient management. Most existing deep survival models learn one common feature representation for all patients, which may hide important differences between patient subgroups. In contrast, a Mixture-of-Experts (MoE) framework allows different parts of the model to focus on different patient patterns, leading to more individualized representations. Therefore, in this work, we propose a mixture-of-experts enhanced adaptive deep clustering survival framework (AdaCSM) for modeling such heterogeneous survival patterns. We introduce a routing-based expert mechanism that enables conditional specialization within a parametric survival modeling framework. The proposed architecture allocates patients to specialized risk predictors dynamically while preserving the patient survival and subtype clustering objectives. We compare our method with state-of-the-art survival and deep clustering models on multiple real-world longitudinal clinical cohorts spanning diverse disease domains. The proposed method demonstrates improved predictive performance and leads to interpretable results in survival analysis.
- Abstract（参考訳）: 生存予測は医療提供者や臨床研究者にとって中心的な役割を果たす。
正確なリスク階層化は早期介入と患者管理の改善を可能にする。
既存のディープサバイバルモデルは、すべての患者に対して共通の特徴表現を学習し、患者サブグループ間の重要な違いを隠蔽する可能性がある。
対照的に、Mixture-of-Experts(MoE)フレームワークは、モデルのさまざまな部分が異なる患者パターンに集中できるようにし、より個別化された表現をもたらす。
そこで本研究では,これらの不均一な生存パターンをモデル化するためのAdaCSM(Adaptive Deep Clustering survival framework)を提案する。
本稿では、パラメトリックサバイバルモデリングフレームワーク内で条件付き特殊化を可能にするルーティングベースのエキスパートメカニズムを提案する。
提案アーキテクチャは、患者生存とサブタイプクラスタリングの目的を維持しながら、患者を動的に特定リスク予測器に割り当てる。
種々の疾患領域にまたがる複数の実世界の慢性臨床コホートについて, 最先端の生存と深層クラスタリングモデルとの比較を行った。
提案手法は, 予測性能の向上を実証し, 生存分析における解釈結果を導出する。
関連論文リスト
- 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) - Deep Survival Analysis in Multimodal Medical Data: A Parametric and Probabilistic Approach with Competing Risks [47.19194118883552]
単一リスクシナリオと競合リスクシナリオの両方をモデル化可能な生存分析のためのマルチモーダルディープラーニングフレームワークを提案する。
生存予測のための新しいディープラーニングアーキテクチャであるSAMVAE(Survival Analysis Multimodal Variational Autoencoder)を提案する。
論文 参考訳（メタデータ） (2025-07-10T14:29:48Z) - Adaptable Cardiovascular Disease Risk Prediction from Heterogeneous Data using Large Language Models [70.64969663547703]
AdaCVDは、英国バイオバンクから50万人以上の参加者を対象に、大規模な言語モデルに基づいて構築された適応可能なCVDリスク予測フレームワークである。
包括的かつ可変的な患者情報を柔軟に取り込み、構造化データと非構造化テキストの両方をシームレスに統合し、最小限の追加データを使用して新規患者の集団に迅速に適応する。
論文 参考訳（メタデータ） (2025-05-30T14:42:02Z) - SurvAttack: Black-Box Attack On Survival Models through Ontology-Informed EHR Perturbation [9.500873129276531]
生存分析モデルのための新しいブラックボックス攻撃フレームワークであるSurvAttackを紹介する。
本研究は,患者の医療史を通じて,様々な相手行動を伴う医療コードを操作するアルゴリズムを特に開発する。
提案アルゴリズムは,サバイバルモデルを攻撃するための効率的なSA特異的戦略として用いられる。
論文 参考訳（メタデータ） (2024-12-24T23:35:42Z) - 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) - Deep State-Space Generative Model For Correlated Time-to-Event Predictions [54.3637600983898]
そこで本研究では,様々な種類の臨床イベント間の相互作用を捉えるために,潜伏状態空間生成モデルを提案する。
また,死亡率と臓器不全の関連性について有意な知見が得られた。
論文 参考訳（メタデータ） (2024-07-28T02:42:36Z) - 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) - 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)
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。