Diffsurv: 适用于截尾生存时间数据的可微分排序
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
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
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
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
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
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
该研究论文介绍了一种新颖的基于本体和时间的对比存活分析框架(OTCSurv),通过使用被审查和观察数据中的生存期来定义时间的独特性,并且构建可调节难度的负样本对进行对比学习,以预测住院患者发展急性肾损伤(AKI)的风险,并通过广泛的实验验证了该模型的有效性和可解释性。
Aug, 2023
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
通过引入样本对的生存时间之间的差异来实现自适应调整,基于时间的自适应坐标损失函数 TripleSurv 能够鼓励模型定量地排列出一对的相对风险,从而提高预测的准确性,评估结果显示 TripleSurv 在模拟和真实生存数据上表现优于现有方法,具有良好的建模性能和鲁棒性。
Jan, 2024
基于深度学习和条件变分自编码器的 DySurv 方法能够动态地利用患者电子健康记录中的静态和时间序列测量,准确地估计 ICU 中的死亡风险,并在标准基准测试中胜过大多数现有方法,表现一致且可靠。
Oct, 2023