Dec, 2023

ICTSurF：基于神经网络的隐式连续时间生存函数

PDF
TL;DR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。
survival analysiscensored samplescox proportional hazards modeldeep neural networksimplicit continuous-time survival function
发现论文，激发创造
  • 利用隐含生存函数学习生存分布

    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。

    May, 2023

  • 使用神经网络进行连续和离散时间的生存预测

    本文提出了一种应用离散时间生存方法进行连续时间生存预测的方法，并探讨了 PMF 和离散时间风险率的参数化两种神经网络插值方法，并通过真实和模拟数据研究表明离散时间风险率参数化方法略胜一筹。同时，也提出了一种基于假设连续时间风险率是分段恒定的连续时间方法，并发现该方法在生存预测方面与其他方法相比非常有竞争力。

    Oct, 2019

  • 神经网络可扩展的离散时间生存模型

    本文介绍了一种名为 Nnet-survival 的离散时间生存模型，适用于神经网络在医学预测任务中的应用。该模型由 Keras 深度学习框架实现，具有灵活性，能够根据随访时间的不同变化基线风险和输入数据对危险概率的影响。在模拟和实际数据集上的表现优于 Cox-nnet 和 Deepsurv 等已有模型。

    May, 2018

  • FastCPH：神经网络高效生存分析

    本文提出了 FastCPH 方法，将 Cox 比例风险模型推广到神经网络，支持标准的 Breslow 和 Efron 方法，效率更高且性能优于现有的 CoxPH 方法。

    Aug, 2022

  • 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

  • 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

  • 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

  • DeepSurv: 利用 Cox 比例风险深度神经网络的个性化治疗推荐系统

    DeepSurv 是一种用于建模患者协变量和治疗效果相互作用的 Cox 比例风险深度神经网络，提供个性化治疗建议，表现良好并且可以用于调查病人特征对于失败风险的影响。

    Jun, 2016

  • 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