Sep, 2022

基于一致性的 Cobra 生存分析方法及基于回归型弱学习器的改进

PDF
TL;DR通过组合回归策略，我们预测条件生存函数。我们将弱学习者作为不同的随机生存树，提出在右截尾集合中最大化协同性的方法来找到最优参数。我们通过协同指数探索了两种方法，一种是普通的生存眼镜蛇，另一种是基于协同指数的新型加权预测器。我们提出的公式使用两种不同的规范，即 Max-norm 和 Frobenius norm，以在测试数据集中的查询点中找到预测的接近集。我们通过三个不同的实际数据集实现来说明我们的算法。
conditional survival functionsrandom survival treesweighted predictormax-normfrobenius norm
发现论文，激发创造
  • 基于集成 Brier 得分的生存 Cobra 模型 —— 一种基于回归的方法

    该研究提供了使用 COBRA 集成和 Integrated Brier Score 来预测条件生存函数的两种新实现方法。利用基于回归的弱学习器，我们创建了一种基于归一化集成 Brier 分数作为权重的新型预测器，同时考虑了右侧截尾数据，通过在现实数据分析中对算法进行了说明。

    Oct, 2022

  • 基于区域标准的 COBRA 方法在条件生存预测中的应用

    本文探讨了一种不同的组合回归策略，用于计算条件生存函数。我们使用基于回归的弱学习器创建了提出的集成技术。提出的组合回归策略使用接近度测量作为两个生存曲线之间的区域。提出的模型表明，它比随机生存森林更好。该论文讨论了一种在组合回归设置中选择最重要变量的新颖技术。我们进行了模拟研究，证明了我们关于变量相关性的提议非常有效。我们还使用三个真实数据集来说明该模型。

    Sep, 2023

  • 提升生存数据的一致性指数 - 求导和评估生物标志物组合的统一框架

    研究使用共识指数为基础，提出了一种新的框架，借助元素提升算法推导线性生物标志物组合，以预测乳腺癌患者的生存力和其他时间至事件结局。

    Jul, 2013

  • 一致化生存分析

    本文提出基于符合预测理论的推理方法来对生存时间进行预测，可以确保在独立同分布数据的情况下，无需进行其他假设即可产生模拟的选择下限，同时证明其对于不同类型的截尾仍然有效，通过对合成数据和实际 COVID-19 数据的实证研究表明其效力。

    Mar, 2021

  • 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

  • 适当评分规则和单调神经网络的生存回归

    提出了一种基于神经网络的生存回归模型 SurvivalMonotonic-net (SuMo-net)，该方法使用时间相关权重的单调限制直接优化对数似然函数，达到了多个数据集上最先进的对数似然得分，是现有神经方法的 20-100× 计算速度加速，适用于具有数百万观测值的数据集。

    Mar, 2021

  • 教授模型生存力：适当评分规则和具有竞争风险的随机优化

    当数据存在右侧截断情况时，生存分析可以计算 “事件发生时间”。多类别的结果导致了一种分类变种：预测最可能的事件，即已知的竞争风险，这方面的研究较少。为了构建一个估计这种情况下的结果概率的损失函数，我们引入了一个严格正确的修正分离的评分规则，这个规则可以在部分数据上进行优化，因为评估是独立于观测的。它可以用于训练梯度提升树来进行竞争风险分析。与 11 种现有模型相比，这个模型 “MultiIncidence” 在生存和竞争风险的结果概率估计上表现最佳。它可以在任何时间点进行预测，并且比现有的替代方法快得多。

    Jun, 2024

  • 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

  • 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

  • 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