Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
환자 하위 그룹 간의 차이를 반영하기 위해 전문가 혼합(MoE) 프레임워크를 활용한 새로운 생존 예측 모델 AdaCSM을 제안합니다. 이 모델은 라우팅 기반 전문가 메커니즘을 통해 환자를 전문화된 예측기에 동적으로 할당하여 예측 성능과 해석 가능성을 높였습니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.AI의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기생존 예측(Survival prediction)은 의료 제공자와 임상 연구자들에게 핵심적인 역할을 합니다. 정확한 위험 층화(Risk stratification)는 조기 개입과 개선된 환자 관리를 가능하게 합니다. 대부분의 기존 딥 생존 모델(Deep survival models)은 모든 환자에 대해 하나의 공통된 특징 표현(Feature representation)을 학습하는데, 이는 환자 하위 그룹 간의 중요한 차이점을 숨길 수 있습니다. 이와 대조적으로, 전문가 혼합(Mixture-of-Experts, MoE) 프레임워크는 모델의 서로 다른 부분이 서로 다른 환자 패턴에 집중할 수 있게 하여, 더욱 개별화된 표현을 이끌어냅니다. 따라서 본 연구에서는 이러한 이질적인 생존 패턴을 모델링하기 위해 전문가 혼합 기반의 적응형 딥 클러스터링 생존 프레임워크(AdaCSM)를 제안합니다. 우리는 파라미터 기반 생존 모델링(Parametric survival modeling) 프레임워크 내에서 조건부 전문화(Conditional specialization)를 가능하게 하는 라우팅 기반 전문가 메커니즘을 도입합니다. 제안된 아키텍처는 환자의 생존 및 하위 유형 클러스터링(Subtype clustering) 목표를 보존하면서, 환자를 전문화된 위험 예측기(Risk predictors)에 동적으로 할당합니다. 우리는 다양한 질병 영역에 걸친 여러 실제 종단적 임상 코호트(Longitudinal clinical cohorts)에서 우리의 방법을 최첨단(State-of-the-art) 생존 모델 및 딥 클러스터링 모델과 비교합니다. 제안된 방법은 향상된 예측 성능을 입증하며 생존 분석에서 해석 가능한 결과를 도출합니다.