Modeling Long Sequences in Bladder Cancer Recurrence: A Comparative Evaluation of LSTM,Transformer,and Mamba

要約

従来の生存解析手法は、複雑な時間依存データに苦戦することが多く、動的特性を適切に捉えて解釈することができません。この研究は、再発イベント データの解析と統合における 3 つの長系列モデル、LSTM、Transformer、および Mamba のパフォーマンスを評価することを目的としています。
この研究では、長いシーケンスのデータを処理するための深層学習モデルの利点とコックス比例ハザード モデルを統合し、動的時間情報を使用して再発するイベントを分析する際のパフォーマンスを向上させます。さらに、この研究では、
LSTM-Cox モデルは、予測精度とモデルの適合性において Transformer-Cox モデルと Mamba-Cox モデルの両方を上回り、テスト セットで最大 0.90 の一致指数を達成しました。
治療終了時間、再発時の最大腫瘍サイズ、再発頻度など、膀胱がん再発の重要な予測因子が特定されました。LSTM-Cox モデルは臨床転帰とよく一致し、高リスク患者群と低リスク患者群を効果的に区別しました。
この研究は、LSTM-Cox モデルが、Transformer や Mamba などの新しいモデルを上回る、反復データ分析と特徴抽出のための堅牢かつ効率的な方法であることを実証しています。これは、深層学習テクノロジーを臨床リスク予測システムに統合し、それによって患者の治療を改善するための実用的なアプローチを提供します。
管理と治療の結果。

要約(オリジナル)

Traditional survival analysis methods often struggle with complex time-dependent data,failing to capture and interpret dynamic characteristics adequately.This study aims to evaluate the performance of three long-sequence models,LSTM,Transformer,and Mamba,in analyzing recurrence event data and integrating them with the Cox proportional hazards model.This study integrates the advantages of deep learning models for handling long-sequence data with the Cox proportional hazards model to enhance the performance in analyzing recurrent events with dynamic time information.Additionally,this study compares the ability of different models to extract and utilize features from time-dependent clinical recurrence data.The LSTM-Cox model outperformed both the Transformer-Cox and Mamba-Cox models in prediction accuracy and model fit,achieving a Concordance index of up to 0.90 on the test set.Significant predictors of bladder cancer recurrence,such as treatment stop time,maximum tumor size at recurrence and recurrence frequency,were identified.The LSTM-Cox model aligned well with clinical outcomes,effectively distinguishing between high-risk and low-risk patient groups.This study demonstrates that the LSTM-Cox model is a robust and efficient method for recurrent data analysis and feature extraction,surpassing newer models like Transformer and Mamba.It offers a practical approach for integrating deep learning technologies into clinical risk prediction systems,thereby improving patient management and treatment outcomes.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google