个性化生存预测及其上下文解释网络
本文提出了一个名为 Lite-ProSENet 的智能跨模态网络,针对肺癌的生存时间分析任务,利用多模态数据,相较于现有模型达到了最新的最优结果,89.3% 的协调性。
Nov, 2022
本文研究了在深度神经网络中建模不确定性对生存分析的预测和校准性能的好处,提出了一个贝叶斯深度学习框架,评估了四个基准数据集上的预测表现,并与传统非贝叶斯方法进行比较。
Apr, 2024
本研究提出了一种基于专家知识的临床概念或中间特征作为解释单元的自我解释深度学习框架,并在公开的电子健康记录数据集上进行了实验。实验结果表明,该模型的解释性组件不会影响预测性能,并且模型生成的解释可以为医生提供了解病人死亡原因的洞见。
Oct, 2021
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
提出使用 CEN(contextual explanation networks)架构进行预测,生成中间简化的概率模型作为解释,为每个预测生成有效的、实例特定的解释,并可用于决策支持。CEN 架构不仅和现有的最先进方法相竞争,且在决策支持方面提供了有价值的额外细节。
May, 2017
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
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
本文利用因果发现算法和大型语言模型通过对 705 名乳腺癌患者的基因组信息的剖析,从多个角度研究患者存活状况的因素,表明因果发现算法和语言模型的可靠性,有助于深入挖掘临床应用上的可靠因果关系。
May, 2023