Jul, 2023

灵活的事件时间模型：通过秩回归优化神经网络

PDF
TL;DR该研究介绍了一种基于 Deep AFT Rank-regression 模型的时间到事件预测方法，该模型使用基于 Gehan 排名统计量的目标函数，是 AFT 建模的半参数方法，并无需对存活时间分布进行分布假设。
time-to-event analysiscensored datadeep learningsemi-parametricdart
发现论文，激发创造
  • 对抗时间至事件建模

    该论文提出了基于深度网络和对抗学习的非参数事件时间分布估计方法，通过有效利用丰富的健康分子数据和电子健康数据，为现代健康数据科学的应用提供了重要支持，并在基准和真实数据集上得到了显著的性能提高。

    Apr, 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

  • 基于多任务框架的深度神经网络用于生存分析

    本文介绍了一种基于 Multi-Task Logistic Regression（MTLR）模型和深度学习架构作为核心的新方法，用于计算生存函数。该方法在所有实验中都表现优于 MTLR 和 Cox Proportional Hazard（CoxPH）模型，并且可以帮助企业预测客户购买产品、流失或贷款违约的时间，从而提高回报率。

    Jan, 2018

  • CenTime: 事件条件下的生存分析中截尾建模

    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

  • 使用神经网络和 Cox 回归进行时间至事件预测

    本文提出了将神经网络与 Cox 比例风险模型相结合进行时间到事件预测的新方法。基于嵌套病例对照研究的方法学，提出了良好的损失函数，能够适用于大型数据集，能够拟合比例和不比例的 Cox 模型扩展，并在实际数据集上表现出非常强的竞争力。

    Jul, 2019

  • 深度推广时间疗愈模型

    本论文提供了一种基于灵活的生存模型与深度神经网络框架相结合的方法来预测存在治愈分数的事件发生时间，具有较强的预测性能。

    May, 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

  • 神经细分 - 针对竞争风险的单调神经网络

    本文利用受限单调神经网络对具有竞争风险的生存分布进行建模，确保了在减少计算成本的同时实现了精确的最大似然估计，并在一项合成和三个医学数据集上展示了解决方案的有效性。最后，我们讨论了在开发医疗实践风险评分时考虑竞争风险的意义。

    May, 2023

  • 基于 Transformer 的慢性肾脏疾病恶化时间预测

    STRAFE 是一种基于 transformer 模型的创新深度学习架构，适用于电子健康记录的时间事件预测，并且在预测肾脏疾病患者进展至第 5 期的确切时间方面表现出了其他算法无法匹敌的性能。

    Jun, 2023

  • 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