論文の概要: DynSHAP: Towards Explainable Dynamic Survival Analysis

• arxiv url: http://arxiv.org/abs/2609.13042v1
• Date: Fri, 11 Sep 2026 16:39:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-15 07:38:31.810704
• Title: DynSHAP: Towards Explainable Dynamic Survival Analysis
• Title（参考訳）: DynSHAP: 説明可能な動的生存分析を目指して
• Abstract要約: 動的生存分析(DSA)のための深層学習モデルは, 縦断的患者データを組み込むことで, 高い予測性能が得られる。 既存の説明可能性法は、長手、不規則な入力と機能的生存出力を同時に扱うことはできない。 動的生存解析に適したSHAPフレームワークであるDynSHAPを提案する。
• 参考スコア（独自算出の注目度）: 12.866975501183967
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep learning models for dynamic survival analysis (DSA) achieve strong predictive performance by incorporating longitudinal patient data, but their black box nature limits clinical trust and adoption. Existing explainability methods cannot handle longitudinal, irregular inputs and functional survival outputs simultaneously, which limits their usability in DSA. We propose DynSHAP, a SHAP framework suited specifically for dynamic survival analysis. It extends common marginal SHAP estimators to this setting by treating time--feature pairs as players in the Shapley game. We further introduce Temporal DynSHAP, which learns linear dependencies in features over time and uses conditional sampling to address them in explanations. When applied to synthetic data with known ground-truth attributions, Temporal DynSHAP recovers temporally dependent features more accurately than marginal estimators for a given state-of-the-art model. Applied to two real-world clinical datasets and two DSA architectures, DynSHAP produces attributions faithful to model learning, allowing medical experts to see which patient information drove the prediction and when.
• Abstract（参考訳）: ダイナミックサバイバル分析(DSA)のための深層学習モデルは,経時的患者データを取り入れて高い予測性能を得るが,ブラックボックスの性質は臨床信頼と採用を制限している。 既存の説明可能性法では、縦断的かつ不規則な入力と機能的生存出力を同時に扱えないため、DSAのユーザビリティは制限される。 動的生存解析に適したSHAPフレームワークであるDynSHAPを提案する。 これは、シャプリーゲームにおいて、時間-機能ペアをプレイヤーとして扱うことで、共通の限界SHAP推定器をこの設定に拡張する。 さらに、時間とともに特徴の線形依存を学習し、条件付きサンプリングを用いて説明に対処するTemporal DynSHAPを紹介する。 既知地下構造属性を用いた合成データに適用した場合, 時間的依存特性は, 与えられた最先端モデルに対する限界推定値よりも正確に回復する。 実世界の2つの臨床データセットと2つのDSAアーキテクチャーに適用されたDynSHAPは、モデル学習に忠実な属性を生成し、医療専門家がどの患者情報が予測をいつ引き起こしたかを確認する。

関連論文リスト

• SurvCF(t): Counterfactual Explanations for Survival Analysis in Predictive Maintenance Multivariate Time Series Data [5.77414732529171]
  textitSurvCF(t)は,時系列データ上で動作している生存モデルに対して,対実的な説明を生成するための最初のフレームワークである。 textitSurvCF(t)は、予測寿命を増加させる、資産の運用履歴に対する最小限、可塑性、時間的に一貫した変更を識別する。 以上の結果から, textitSurvCF(t) は生存予測と規範的メンテナンスのギャップを埋め, メンテナンス戦略における説明可能な, 決定指向のAIを実現する。
  論文  参考訳（メタデータ） (2026-07-18T21:06:46Z)
• A Temporal Machine Learning-Based Time-to-Event Model for Predicting ALS Progression and Healthcare Utilization [4.920779064186337]
  筋萎縮性側索硬化症(ALS)は進行性神経変性疾患である。 我々はALS機能評価尺度(ALSFRS-R)トラジェクトリと生存モデルを統合するフレームワークを開発した。 このフレームワークは、ALS進行とパーソナライズされた意思決定サポートをリンクするためのスケーラブルで解釈可能で、臨床的に実行可能なアプローチを提供する。
  論文  参考訳（メタデータ） (2026-07-15T16:11:23Z)
• 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)
• PISA: An AI Pipeline for Interpretable-by-design Survival Analysis Providing Multiple Complexity-Accuracy Trade-off Models [0.9851812512860351]
  生存分析は臨床研究の中心であり、患者の予後を知らせ、治療決定を導き、資源配分を最適化する。 これらのモデルが医療に関係しているためには、予測は患者固有の特徴に追従できなければならない。 従来のサバイバルモデルは非線形相互作用を捉えるのに失敗することが多いが、現代のディープラーニングアプローチは弱い解釈可能性によって制限される。 複雑性とパフォーマンスをトレードオフする複数の生存分析モデルを提供するパイプラインである、解釈可能な生存分析のためのパイプライン(PISA)を提案する。
  論文  参考訳（メタデータ） (2025-09-13T18:09:14Z)
• 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)
• Self-Explaining Hypergraph Neural Networks for Diagnosis Prediction [45.89562183034469]
  既存のディープラーニング診断予測モデルと本質的な解釈性は、過去の診断や病院訪問の度に注意重みを割り当てることが多い。 我々は、パーソナライズされた簡潔で忠実な説明を提供するように設計された、自己説明型ハイパーグラフニューラルネットワークモデルSHyを紹介する。 SHyは高次疾患の相互作用を捉え、パーソナライズされた説明として異なる時間的表現型を抽出する。
  論文  参考訳（メタデータ） (2025-02-15T06:33:02Z)
• Gradient-based Explanations for Deep Learning Survival Models [0.716879432974126]
  本稿では,ニューラルネットワークの生存に適した勾配に基づく説明手法を提案する。 生存条件における時間依存的説明に対する理論的仮定の影響を解析する。 本稿では,時間次元を取り入れた効果的な可視化手法を提案する。
  論文  参考訳（メタデータ） (2025-02-07T14:36:55Z)
• Deep End-to-End Survival Analysis with Temporal Consistency [49.77103348208835]
  本稿では,大規模長手データの処理を効率的に行うために,Survival Analysisアルゴリズムを提案する。 我々の手法における中心的な考え方は、時間とともにデータにおける過去と将来の成果が円滑に進化するという仮説である時間的一貫性である。 我々のフレームワークは、安定したトレーニング信号を提供することで、時間的一貫性を大きなデータセットに独自に組み込む。
  論文  参考訳（メタデータ） (2024-10-09T11:37:09Z)
• Generative Modeling of Regular and Irregular Time Series Data via Koopman VAEs [50.25683648762602]
  モデルの新しい設計に基づく新しい生成フレームワークであるKoopman VAEを紹介する。 クープマン理論に触発され、線形写像を用いて潜在条件事前力学を表現する。 KoVAEは、いくつかの挑戦的な合成および実世界の時系列生成ベンチマークにおいて、最先端のGANおよびVAEメソッドより優れている。
  論文  参考訳（メタデータ） (2023-10-04T07:14:43Z)
• SurvSHAP(t): Time-dependent explanations of machine learning survival models [6.950862982117125]
  SurvSHAP(t)は、生存可能なブラックボックスモデルの解釈を可能にする最初の時間依存的な説明である。 合成および医療データの実験により、SurvSHAP(t)が時間依存効果で変数を検出できることが確認された。 我々はPythonで時間に依存した説明のアクセス可能な実装を提供する。
  論文  参考訳（メタデータ） (2022-08-23T17:01:14Z)
• Learning Dynamic and Personalized Comorbidity Networks from Event Data using Deep Diffusion Processes [102.02672176520382]
  コンコルビンド病は、個人によって異なる複雑な時間的パターンを通じて発生し進行する。 電子的な健康記録では、患者が持つ異なる疾患を観察できるが、それぞれの共死状態の時間的関係を推測できるだけである。 我々は「ダイナミック・コオービディティ・ネットワーク」をモデル化するための深層拡散プロセスを開発する。
  論文  参考訳（メタデータ） (2020-01-08T15:47:08Z)

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。