May, 2018

神经网络可扩展的离散时间生存模型

PDF
TL;DR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。
发现论文，激发创造
  • 使用神经网络进行连续和离散时间的生存预测

    本文提出了一种应用离散时间生存方法进行连续时间生存预测的方法，并探讨了 PMF 和离散时间风险率的参数化两种神经网络插值方法，并通过真实和模拟数据研究表明离散时间风险率参数化方法略胜一筹。同时，也提出了一种基于假设连续时间风险率是分段恒定的连续时间方法，并发现该方法在生存预测方面与其他方法相比非常有竞争力。

    Oct, 2019

  • 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

  • 神经细分 - 针对竞争风险的单调神经网络

    本文利用受限单调神经网络对具有竞争风险的生存分布进行建模，确保了在减少计算成本的同时实现了精确的最大似然估计，并在一项合成和三个医学数据集上展示了解决方案的有效性。最后，我们讨论了在开发医疗实践风险评分时考虑竞争风险的意义。

    May, 2023

  • 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

  • 通过神经网络的近似推理进行贝叶斯生存分析

    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

  • 基于神经网络的分段生存模型

    本文提出了一系列基于神经网络的生存模型，这些模型基于时间分段上的风险函数和密度函数的分段定义，包括常数和线性分段定义，从而形成了四个模型的系列。使用模拟数据集，这些模型在性能上明显优于高度表达能力的最先进的基于能量的模型，同时只需要一小部分计算时间。

    Mar, 2024

  • 基于运行数据和神经网络的用途特定生存建模

    传统神经网络生存模型在预测组件故障时间方面表现出准确预测的特点，但数据采样不均匀时需要重新采样以获得好的结果，而随机重新采样是减少训练数据量的有效方法。

    Mar, 2024

  • 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

  • ICTSurF：基于神经网络的隐式连续时间生存函数

    建立在连续时间生存模型上，通过隐式表示来构建生存分布，可以在连续时间空间中接受输入并产生生存概率的方法，与现有方法相比，具有很高的竞争力。

    Dec, 2023

  • 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