Jan, 2021

深度 Cox 混合以实现生存回归

PDF
TL;DR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。
发现论文，激发创造
  • 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

  • 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

  • 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

  • 变分深度生存机器：带有被截断结果的生存回归

    通过更好地聚类生存数据和组合原始分布，本文提出了两种变体的变分自编码器（VAE），离散和连续，来生成聚类输入协变量的潜在变量。我们的模型通过同时优化 VAE 损失和回归损失进行端到端训练，实验证明了我们的方法在聚类结果和长期预测上具有竞争力，特别是在期限较长的情况下。

    Apr, 2024

  • 具有可解释专家分布的深度聚类生存机器

    提出了一种混合生存分析方法，结合了区分性和生成性机制，以描述混合模型形式下的生存数据。通过该模型可以实现个体实例的可解释子集聚类、权重学习以及时间预测。

    Jan, 2023

  • 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

  • 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

  • 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

  • 低维数据上生存模型的大规模中性比较研究

    在此论文中，我们进行了首个大规模的中性基准实验，重点关注单事件、右删失、低维度生存数据。我们对 18 种模型进行了评估，涵盖经典统计方法和常见的机器学习方法，并使用 32 个公开可用的数据集。通过性能评估，我们发现在低维度、右删失数据的标准生存分析环境中，Cox 比例风险模型仍然是足够简单和强大的方法。

    Jun, 2024