論文の概要: The Cost of Binarizing Survival Outcomes in Clinical Prognostic Modeling
- arxiv url: http://arxiv.org/abs/2608.04046v1
- Date: Tue, 04 Aug 2026 06:56:24 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-06 14:48:43.43489
- Title: The Cost of Binarizing Survival Outcomes in Clinical Prognostic Modeling
- Title（参考訳）: 臨床予後モデリングにおける生存率の両立コスト
- Abstract要約: 両値のスコアリング関数をCox部分的なログライクリングに置き換えて特徴とアウトカムのエッジを生成し、二項化が欠落する確率的特徴を回復する。
我々のアブレーション実験は、患者を多く維持するよりも、時間と時間によるスコアリングの定式化によって改善が促進されることを確認した。
- 参考スコア（独自算出の注目度）: 2.085853639053605
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Survival analysis is an established framework for analyzing time-to-event data, yet many clinical machine learning studies still binarize the outcome before model training. This practice excludes censored patients, collapses temporal information into a single threshold, and can affect which features are selected as prognostically relevant. We examine the cost of this binarization in the context of Bayesian network (BN) feature selection, using two recent publications as case studies: one that applies BN-based feature selection to a head-and-neck cancer cohort and a second surgical cohort study that, while not BN-based, likewise binarizes its survival endpoint. We replace the binary scoring function with the Cox partial log-likelihood for feature-to-outcome edges, a modification we call the Survival-Aware Bayesian network, and recover prognostic features that binarization misses. Our ablation experiment confirms that the improvement is driven by the time-to-event scoring formulation rather than by retaining more patients. The results generalize across five endpoint-cohort combinations in head-and-neck cancer and extend to three further cancer types (breast, colorectal, and kidney). We propose that clinical studies with survival outcomes should use time-to-event methods by default, as binarization discards the prognostic signal retained by survival analysis.
- Abstract（参考訳）: 生存分析(Survival analysis)は、時間から時間までのデータを分析するための確立されたフレームワークであるが、多くの臨床機械学習研究は、モデルトレーニングの前に結果を二項化している。
この習慣は、検閲された患者を排除し、時間的情報を単一の閾値に分解し、どの特徴が予後に関連があるかに影響を与える。
バイエルンネットワーク(BN)の特徴選択の文脈におけるこの二項化のコストについて,近年の2つの論文を事例研究として検討した: 頭部頸部癌コホートにBNベースの特徴選択を適用するもの,および,BNベースのものではないが生存エンドポイントを二項化する2番目の外科的コホート研究である。
我々は、二項スコアリング関数を、特徴対アウトカムエッジのためのCox部分ログライクレーションに置き換え、Survival-Aware Bayesianネットワークと呼ばれる修正を行い、二項化が見逃す確率的特徴を回復する。
我々のアブレーション実験は、患者を多く維持するよりも、時間と時間によるスコアリングの定式化によって改善が促進されることを確認した。
結果は頭頸部癌における5つの終末コホートの組み合わせを一般化し、さらに3種類のがん(乳癌、大腸癌、腎臓)に拡張する。
バイナライゼーションは生存分析によって保持される予後信号を捨てるので,生存率のある臨床研究はデフォルトで時間-時間法を用いるべきである。
関連論文リスト
- An Automated Radiomics Framework for Postoperative Survival Prediction in Colorectal Liver Metastases using Preoperative MRI [0.8571977422745714]
術後肝転移生存予測のためのAIベースの自動フレームワークを提案する。
我々は、解剖学的に認識されたセグメンテーションパイプラインと放射能パイプラインからなる生存予測フレームワークを開発した。
本研究は,放射能を用いた生存分析とセグメンテーションアルゴリズムの統合の可能性を示す。
論文 参考訳（メタデータ） (2026-03-10T20:34:24Z) - Methodology for Comparing Machine Learning Algorithms for Survival Analysis [55.65997641180011]
生存分析のための6つの機械学習モデルを評価した。
XGB-AFTは最高性能(C-Index = 0.7618; IPCW = 0.7532、GBSAとRCF)を達成した。
論文 参考訳（メタデータ） (2025-10-28T14:42:28Z) - Assessing the robustness of heterogeneous treatment effects in survival analysis under informative censoring [50.164756034797136]
臨床研究ではドロップアウトが一般的で、副作用やその他の理由で患者の半数以上が早期に退院する。
ドロップアウトが有益な場合、治療効果の推定値にもバイアスがかかるため、検閲バイアスが導入される。
検閲バイアスに直面した場合の生存分析における条件平均処理効果推定のロバスト性を評価するための仮定リーンフレームワークを提案する。
論文 参考訳（メタデータ） (2025-10-15T10:51:17Z) - Live(r) Die: Predicting Survival in Colorectal Liver Metastasis [0.01268579273097071]
大腸癌はしばしば肝に転移し、長期生存率を大幅に低下させる。
現在の予後モデルは、しばしば限られた臨床または分子的特徴に基づいており、十分な予測力を持っていない。
コントラスト前・後MRIによる外科的予後予測のための完全自動フレームワークを提案する。
論文 参考訳（メタデータ） (2025-09-10T19:02:59Z) - 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) - Interpretable Survival Analysis for Heart Failure Risk Prediction [50.64739292687567]
現状の生存モデルと解釈可能かつ競合する新しい生存分析パイプラインを提案する。
我々のパイプラインは最先端のパフォーマンスを達成し、心不全のリスク要因に関する興味深い新しい洞察を提供する。
論文 参考訳（メタデータ） (2023-10-24T02:56:05Z) - Contrastive Learning of Temporal Distinctiveness for Survival Analysis
in Electronic Health Records [10.192973297290136]
本稿では,オントロジーを意識したテンポラリティに基づくコントラシブ・サバイバル(OTCSurv)分析フレームワークを提案する。
OTCSurvは、検閲されたデータと観察されたデータの両方から生存期間を使い、時間的特異性を定義する。
急性腎障害(AKI)を発症する危険のある入院患者のリスクを予測するために,大規模なEHRデータセットを用いて実験を行った。
論文 参考訳（メタデータ） (2023-08-24T22:36:22Z) - Multimodal Deep Learning for Personalized Renal Cell Carcinoma
Prognosis: Integrating CT Imaging and Clinical Data [3.790959613880792]
腎細胞癌は生存率の低い重要な世界的な健康上の課題である。
本研究の目的は, 腎細胞癌患者の生存確率を予測できる包括的深層学習モデルを考案することであった。
提案フレームワークは,3次元画像特徴抽出器,臨床変数選択,生存予測の3つのモジュールから構成される。
論文 参考訳（メタデータ） (2023-07-07T13:09:07Z) - A Deep Learning Approach to Predicting Collateral Flow in Stroke
Patients Using Radiomic Features from Perfusion Images [58.17507437526425]
側方循環は、血流を妥協した領域に酸素を供給する特殊な無酸素流路から生じる。
実際のグレーティングは主に、取得した画像の手動検査によって行われる。
MR灌流データから抽出した放射線学的特徴に基づいて,脳卒中患者の側方血流低下を予測するための深層学習手法を提案する。
論文 参考訳（メタデータ） (2021-10-24T18:58:40Z) - Analysis of MRI Biomarkers for Brain Cancer Survival Prediction [0.3093890460224435]
マルチモーダルMRIによる脳がん患者の総合生存率(OS)の予測は、研究の難しい分野である。
生存予測に関する既存の文献のほとんどは、放射能の特徴に基づいている。
年齢は最も重要な生物学的予測因子であることがわかった。
論文 参考訳（メタデータ） (2021-09-03T05:35:47Z) - An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。
半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。
本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
論文 参考訳（メタデータ） (2020-12-06T18:55:07Z)
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。