Jun, 2016

DeepSurv: 利用 Cox 比例风险深度神经网络的个性化治疗推荐系统

PDF
TL;DRDeepSurv 是一种用于建模患者协变量和治疗效果相互作用的 Cox 比例风险深度神经网络，提供个性化治疗建议，表现良好并且可以用于调查病人特征对于失败风险的影响。
survival modelsdeepsurvneural networkstreatment interactionpersonalized treatment recommendations
发现论文，激发创造
  • ResSurv：基于残差网络的癌症生存分析预测模型

    通过基于深度残差学习的 ResSurv 模型，我们成功地解决了使用高通量数据时深度学习模型基于 Cox 比例风险存在过拟合问题以及网络退化问题的困扰，并在深度学习领域取得了领先地位，能够有效提取深层信息。

    May, 2024

  • 利用深度学习、机器学习和统计方法进行生存分析：预测住院后死亡的比较分析

    应用不同的生存分析方法比较其性能，结果表明深度学习（DeepSurv）在歧视度和校准性方面表现最佳，而 AutoScore-Survival 则通过最小变量集实现了较好的性能和解释性。

    Mar, 2024

  • 深度推广时间疗愈模型

    本论文提供了一种基于灵活的生存模型与深度神经网络框架相结合的方法来预测存在治愈分数的事件发生时间，具有较强的预测性能。

    May, 2023

  • 深度 Cox 混合以实现生存回归

    提出了一种基于混合 Cox 回归模型的新方法，其中硬指派混合组来进行优化，每个组分配使用深度神经网络拟合组内的风险率，并针对每个混合成分进行非参数基线风险拟合。在多个真实数据集上进行了实验，并研究了不同种族和性别的患者的死亡率。结果表明，该方法在医疗保健领域的判别性能和校准性方面都优于经典和现代生存分析，对于少数民族人群的性能优势更为明显。

    Jan, 2021

  • FastCPH：神经网络高效生存分析

    本文提出了 FastCPH 方法，将 Cox 比例风险模型推广到神经网络，支持标准的 Breslow 和 Efron 方法，效率更高且性能优于现有的 CoxPH 方法。

    Aug, 2022

  • 核 Cox 部分线性回归：构建癌症患者生存预测模型

    应用半参数核 Cox 比例风险模型和带有 LASSO 惩罚项的正则化 garrotized 核机器方法，通过基因表达来预测癌症患者的生存率，以帮助分类患者并提供更好的临床治疗方案。

    Oct, 2023

  • 基于深度学习的离散校准生存预测

    使用离散计算生存（DCS）方法的深度神经网络，通过优化未进行 censored 处理的患者数据和变量时间输出节点间距等两个新特性，在医学数据集上实现了最优的校准效果，并在区分方面优于其他竞争模型，这是深度学习在临床生存预测中具有最先进的性能指标的重要一步。

    Aug, 2022

  • 基于多任务框架的深度神经网络用于生存分析

    本文介绍了一种基于 Multi-Task Logistic Regression（MTLR）模型和深度学习架构作为核心的新方法，用于计算生存函数。该方法在所有实验中都表现优于 MTLR 和 Cox Proportional Hazard（CoxPH）模型，并且可以帮助企业预测客户购买产品、流失或贷款违约的时间，从而提高回报率。

    Jan, 2018

  • DySurv: ICU 生存预测的动态深度学习模型

    基于深度学习和条件变分自编码器的 DySurv 方法能够动态地利用患者电子健康记录中的静态和时间序列测量，准确地估计 ICU 中的死亡风险，并在标准基准测试中胜过大多数现有方法，表现一致且可靠。

    Oct, 2023

  • 神经网络可扩展的离散时间生存模型

    本文介绍了一种名为 Nnet-survival 的离散时间生存模型，适用于神经网络在医学预测任务中的应用。该模型由 Keras 深度学习框架实现，具有灵活性，能够根据随访时间的不同变化基线风险和输入数据对危险概率的影响。在模拟和实际数据集上的表现优于 Cox-nnet 和 Deepsurv 等已有模型。

    May, 2018