May, 2023

利用隐含生存函数学习生存分布

PDF
TL;DR本文提出了一种基于隐式神经表示的隐式生存函数（ISF）方法来对生存分布进行估计以及使用数值积分作为近似预测和优化的累积分布函数，实验结果表明 ISF 在三个公共数据集中优于现有方法并具有估计精度控制的鲁棒性。
survival analysiscensored samplesimplicit survival functionnumerical integrationprediction
发现论文，激发创造
  • 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

  • 患者个体生存曲线的同时预测区间

    本研究旨在开发一种患者个体特征存活函数的预测模型，提供更准确的生存概率估计，并演示可将现有的样本预测区间估计方法应用于此类生存曲线分析中，同时还介绍了改进预测区间估计方法和新的预测区间估计方法，表现出竞争性的性能，这些方法不仅能用于生存分析，还可以应用于任何可跟踪目标分布的情景中。

    Jun, 2019

  • 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

  • 用重要抽样法最大似然估计灵活的生存密度

    提出了一种消除超参数调优负担的生存分析方法，匹配或优于基线模型在多个真实数据集上的效果。

    Nov, 2023

  • 构建和评估个体生存分布的有效方法

    本文讨论了个性化生存分布（ISD）模型以及它们与标准模型的区别，探讨了 ISD 模型的评估方法，提出了一种新的方法 D-Calibration，用于确定模型的概率估计是否有意义，并使用这些方法来评估多种 ISD 预测工具。

    Nov, 2018

  • 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

  • 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

  • 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

  • 生存分析的可解释预测与特征选择

    DyS 是一种新的生存分析模型，它在生存分析问题上表现出色，尤其适用于大规模的观察型医疗研究数据集，具备强大的判别能力和可解释性。

    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