論文の概要: KESurv: A Kernel Ensemble Method for Patient-Specific Survival Prediction

• arxiv url: http://arxiv.org/abs/2610.06434v1
• Date: Mon, 05 Oct 2026 14:43:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-09 08:23:31.921133
• Title: KESurv: A Kernel Ensemble Method for Patient-Specific Survival Prediction
• Title（参考訳）: KESurv: 患者特異的生存予測のためのカーネルアンサンブル法
• Abstract要約: 本研究では,サバイバルフォレストをマスターモデルとして活用するアンサンブル法を提案する。 4つの異なる医療データセットを用いて,提案モデルの性能評価を行った。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Predicting patient-specific survival functions is crucial for clinicians in making informed decisions about patient care and treatment strategies. Among the various models available, the Survival Forest has demonstrated significant effectiveness in numerous scenarios. In this work, we propose an ensemble method that leverages the strengths of the Survival Forest as the master model, complemented by several base models. This ensemble incorporates the Beran estimator, a type of kernel estimator, to enhance predictions of patient-specific survival curves. We evaluated the performance of our proposed model using four distinct healthcare datasets. The results highlight the superiority of our ensemble method over baseline models in both calibration and ranking across most datasets. The findings suggest that our approach offers a more accurate and reliable estimation of patient-specific survival functions, providing a valuable tool for clinical decision-making.
• Abstract（参考訳）: 患者固有の生存機能を予測することは、臨床医が患者ケアや治療戦略について情報的決定を下す上で重要である。 利用可能な様々なモデルの中で、サバイバル・フォレストは多くのシナリオで顕著な効果を示した。 本研究では,サバイバルフォレストの強度をマスターモデルとして活用するアンサンブル法を提案する。 このアンサンブルは、患者固有の生存曲線の予測を強化するために、カーネル推定器の一種であるベラン推定器を組み込んでいる。 4つの異なる医療データセットを用いて,提案モデルの性能評価を行った。 その結果、ほとんどのデータセットのキャリブレーションとランキングの両方において、ベースラインモデルよりもアンサンブル法の方が優れていることが示された。 以上の結果から,本手法は患者特異的生存機能のより正確かつ信頼性の高い評価が可能であり,臨床的意思決定に有用なツールであることが示唆された。

関連論文リスト

• Expert-Driven Survival Machines: Improving Stratification and Interpretability in Multiple Clinical Cohorts [13.019955925473115]
  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。
  論文  参考訳（メタデータ） (2026-06-12T16:30:45Z)
• 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)
• MIL vs. Aggregation: Evaluating Patient-Level Survival Prediction Strategies Using Graph-Based Learning [52.231128973251124]
  我々は,WSIおよび患者レベルでの生存を予測するための様々な戦略を比較した。 前者はそれぞれのWSIを独立したサンプルとして扱い、他の作業で採用された戦略を模倣します。 後者は、複数のWSIの予測を集約するか、最も関連性の高いスライドを自動的に識別するメソッドを含む。
  論文  参考訳（メタデータ） (2025-03-29T11:14:02Z)
• Continually Evolved Multimodal Foundation Models for Cancer Prognosis [50.43145292874533]
  がん予後は、患者の予後と生存率を予測する重要なタスクである。 これまでの研究では、臨床ノート、医療画像、ゲノムデータなどの多様なデータモダリティを統合し、補完的な情報を活用している。 既存のアプローチには2つの大きな制限がある。まず、各病院の患者記録など、各種のトレーニングに新しく到着したデータを組み込むことに苦慮する。 第二に、ほとんどのマルチモーダル統合手法は単純化された結合やタスク固有のパイプラインに依存しており、モダリティ間の複雑な相互依存を捉えることができない。
  論文  参考訳（メタデータ） (2025-01-30T06:49:57Z)
• Survival Prediction in Lung Cancer through Multi-Modal Representation Learning [9.403446155541346]
  本稿では,CTとPETの包括的情報と関連するゲノムデータを用いた生存予測手法を提案する。 我々は,マルチモーダル画像データと遺伝的情報を統合することにより,生存率の予測モデルを構築することを目的とする。
  論文  参考訳（メタデータ） (2024-09-30T10:42:20Z)
• Advancing Head and Neck Cancer Survival Prediction via Multi-Label Learning and Deep Model Interpretation [7.698783025721071]
  我々は,複数のHNC生存率を同時に予測するための,解釈可能なマルチラベル・マルチモーダル・ディープ・サバイバル予測フレームワーク IMLSP を提案する。 また、深層生存モデル視覚説明のために開発された、グラディエント重み付き時間イベント活性化マッピング手法であるGrad-TEAMを提案する。
  論文  参考訳（メタデータ） (2024-05-09T01:30:04Z)
• Predictive and prescriptive analytics for multi-site modelling of frail and elderly patient services [0.0]
  本研究は, 病院病棟におけるベッドとスタッフの能力計画の運用上の課題を, 予測的, 規範的分析手法を用いて解決するものである。 本手法を英国11病院のネットワーク上で165,000人の患者に応用した。 その結果、この統合されたアプローチは、患者LOSの実際の変動を捉え、平均的な計画よりも7%のコスト削減を提供することを示した。
  論文  参考訳（メタデータ） (2023-11-13T12:25:45Z)
• Optimal discharge of patients from intensive care via a data-driven policy learning framework [58.720142291102135]
  退院課題は、退院期間の短縮と退院決定後の退院や死亡のリスクとの不確実なトレードオフに対処することが重要である。 本研究は、このトレードオフを捉えるためのエンドツーエンドの汎用フレームワークを導入し、最適放電タイミング決定を推奨する。 データ駆動型アプローチは、患者の生理的状態を捉えた同種で離散的な状態空間表現を導出するために用いられる。
  論文  参考訳（メタデータ） (2021-12-17T04:39:33Z)
• 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)
• Clinical Outcome Prediction from Admission Notes using Self-Supervised Knowledge Integration [55.88616573143478]
  臨床テキストからのアウトカム予測は、医師が潜在的なリスクを見落としないようにする。 退院時の診断,手術手順,院内死亡率,長期予測は4つの一般的な結果予測対象である。 複数の公開資料から得られた患者結果に関する知識を統合するために,臨床結果の事前学習を提案する。
  論文  参考訳（メタデータ） (2021-02-08T10:26:44Z)

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。