基于 Copula 的深层生存模型 —— 用于相关截尾数据的分析
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
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
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
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
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
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
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
本文介绍了一种基于半监督概率方法的生存数据聚类技术,使用了深度生成模型解决了未知基础变量和被检查的存活时间分布的问题,并在广泛的数据实验中取得了良好的效果和表现。
Jun, 2021
探讨在临床研究中是否可以利用未标记数据的信息来提高预测患者生存时间的准确性,并提出了三种解决方案。结果表明,半监督的方法通常可以获得最好的结果,相比于不使用未标记数据,可以实现高水平的预测性能改进。
Oct, 2022
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