AAAISep, 2018

深度递归生存分析

PDF
TL;DR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。
survival analysisdeep learningrecurrent neural networksconditional probability predictiondata censorship
发现论文，激发创造
  • 基于 Copula 的深层生存模型 —— 用于相关截尾数据的分析

    该论文介绍了一种参数化的生存模型，通过放宽条件独立性的假设，扩展现代非线性生存分析并在合成和半合成数据中显著提高了生存分布的估计。

    Jun, 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

  • 基于深层顺序决策模型的相关截尾数据存活分析并带有可确定性保证

    在这项工作中，我们提出了一种灵活的基于深度学习的生存分析方法，同时适应了相关的审查，并消除了关于地面真实模型的要求。我们从广泛的数据集实验证明，与现有方法相比，我们的方法成功地识别了潜在的依赖结构，并显著减少了生存估计偏差。

    Dec, 2023

  • CenTime: 事件条件下的生存分析中截尾建模

    提出了 CenTime，一种用于生存分析的新方法，该方法通过创新的事件条件压缩机制直接估计事件发生时间，即使在无未被压缩的数据的情况下，我们的方法依然能够形成事件模型参数的一致估计器。

    Sep, 2023

  • 深度生存分析

    本研究旨在探讨电子健康档案 (EHR) 的生存分析问题，提出了一种新的 Hierarchical generative 方法称为 Deep survival analysis，该方法可显著优于使用临床验证的 Framingham CHD 风险评分来区分患者按照冠心病风险的风险等级，同时可扩展处理 EHR 中出现的异构（连续和离散）数据类型。

    Aug, 2016

  • 深度生存机器：有竞争风险的被审查数据的完全参数生存回归和表征学习

    本文介绍一种新的参数方法来评估具有截尾数据的时间事件预测问题中的相对风险，通过联合学习输入协变量的深度非线性表示，我们展示了我们的方法在多个不同程度的截尾实际世界数据集上估算生存风险的优势，并证明我们的模型在竞争风险情景中的优势。据我们所知，这是在存在截尾时进行全参数生存时间与竞争风险估计的第一项研究。

    Mar, 2020

  • 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

  • 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

  • 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

  • 对抗时间至事件建模

    该论文提出了基于深度网络和对抗学习的非参数事件时间分布估计方法，通过有效利用丰富的健康分子数据和电子健康数据，为现代健康数据科学的应用提供了重要支持，并在基准和真实数据集上得到了显著的性能提高。

    Apr, 2018