Jan, 2018

基于多任务框架的深度神经网络用于生存分析

PDF
TL;DR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。
survival analysistime-to-event modelsmulti-task logistic regression modeldeep learningc-index
发现论文，激发创造
  • 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

  • Deep-CR MTLR: 一个多模态方法用于癌症生存预测与竞争风险

    以神经网络和多任务逻辑回归为基础的深度多模态机器学习方法，可提高癌症患者特定生存率的准确预测，其二年 AUROC 为 0.774，C 指数为 0.788。

    Dec, 2020

  • 通过多标签学习和深度模型解释推进头颈癌生存预测

    我们提出了 IMLSP，一个可解释的多标签多模态深度存活预测框架，用于同时预测多个头颈癌存活结果，并提供深度预测过程的时间事件特定的可视化解释。我们采用多任务逻辑回归层将存活预测从回归问题转化为多时间点分类任务，并能够同时预测多个相关存活结果。通过公开可用的 RADCURE HNC 数据集的评估，我们的方法在所有存活结果上优于相应的单模态模型和单标签模型。生成的激活图显示，该模型在做出决策时主要关注肿瘤和淋巴结体积，并且对于高风险患者和低风险患者的感兴趣体积有所不同。我们证明多标签学习策略可以提高学习效率和预后性能，而可解释的存活预测模型有助于理解人工智能的决策过程，并促进个性化治疗。

    May, 2024

  • 深度学习在生存分析中的应用：综述

    本研究综述了近年来深度学习在生存分析中的应用，包括针对高维 omics 数据和非结构化数据等的学习，旨在对从业者提供有用的综述和帮助两个领域的研究者确定未来的方向。

    May, 2023

  • 针对患者个体的肾移植存活分析的深度学习

    本论文提出了一种基于深度学习的多任务学习的方法，可以直接建立患者特定的肾移植的存活函数，从而提高患者的治疗和护理共同决策的准确性和质量。

    May, 2017

  • 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

  • 深度递归生存分析

    该研究提出了一种深度循环生存分析模型，结合了深度学习和生存分析，通过对每个样本的条件概率建模，捕获时间依赖性，预测真实事件发生的可能性并估计被审查数据的生存率，同时不需要假设任何特定形式的事件概率分布，在三个不同领域的实验中，该模型在各种度量标准下明显优于现有解决方案。

    Sep, 2018

  • 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

  • DeepSurv: 利用 Cox 比例风险深度神经网络的个性化治疗推荐系统

    DeepSurv 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。

    Jun, 2016

  • 乳腺癌风险因素分析和生存预测的监督式机器学习

    利用机器学习方法，比较逻辑回归、支持向量机、决策树、随机森林、极端随机树、最近邻算法和自适应增强等七种分类模型来预测基于 METABRIC 数据集中 1904 名患者记录的 5 年乳腺癌生存率。研究结果表明，这些分类器可以准确预测样品的生存率，分别为 75.4％，74.7％，71.5％，75.5％，70.3％和 78％

    Apr, 2023