Mar, 2024

SurvRNC：使用 Rank-N-Contrast 学习有序表示进行生存预测

PDF
TL;DR该研究提出了 Survival Rank-N Contrast (SurvRNC) 方法，它引入了一个损失函数作为正则化器，以获得基于存活时间的有序表示，用于估计癌症风险评分，并在不同的深度生存模型上表现出更高的性能，并超过最先进方法的 3.6% 的符合指数。
likelihood of survivalprognosisdeep learning modelssurvival rank-n contrastcancer risk scores
发现论文，激发创造
  • 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

  • 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

  • 电子健康记录中的生存分析的时间差异对比学习

    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

  • 倒计时回归：锐利且校准的生存预测

    本文提出了 Survival-CRPS，它是一种广义的连续秩概率得分，用于生存预测设置的正确或区间截断变体，并评估了两个电子健康记录数据集上的死亡率预测任务的效果，结果表明训练 CRPS 得分的模型相较于 MLE 训练的模型拥有更加尖锐的预测分布并保持校准。

    Jun, 2018

  • ResSurv：基于残差网络的癌症生存分析预测模型

    通过基于深度残差学习的 ResSurv 模型，我们成功地解决了使用高通量数据时深度学习模型基于 Cox 比例风险存在过拟合问题以及网络退化问题的困扰，并在深度学习领域取得了领先地位，能够有效提取深层信息。

    May, 2024

  • 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

  • Diffsurv: 适用于截尾生存时间数据的可微分排序

    提出一种名为 Diffsurv 的新方法，扩展可区分排序方法以处理被剪枝任务，通过预测考虑剪枝样本引入的标签不确定性的可能排列矩阵来解决此限制，进而在各种模拟和现实风险预测场景中优于现有基准，并通过提出一种新的 top-k 风险预测方法展示了 Diffsurv 启用的算法监督的优点。

    Apr, 2023

  • MM-SurvNet：基于深度学习的多模式数据融合在乳腺癌中的生存风险分层

    通过将组织病理图像、遗传数据和临床数据整合，构建了一种新颖的深度学习方法，使用视觉转换器和自注意力机制在病人层面上提取图像特征和捕获图像关系，同时采用双交叉注意力机制结合遗传数据，并在最终层级上加入临床数据以提高预测准确性，通过在公共 TCGA-BRCA 数据集上的实验，表明使用负对数似然损失函数训练的模型能够取得卓越的性能，均值 C 指数为 0.64，超过现有方法，为制定个体化的治疗策略提供了便利，潜在地改善了患者预后。

    Feb, 2024

  • 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

  • 通过多标签学习和深度模型解释推进头颈癌生存预测

    我们提出了 IMLSP，一个可解释的多标签多模态深度存活预测框架，用于同时预测多个头颈癌存活结果，并提供深度预测过程的时间事件特定的可视化解释。我们采用多任务逻辑回归层将存活预测从回归问题转化为多时间点分类任务，并能够同时预测多个相关存活结果。通过公开可用的 RADCURE HNC 数据集的评估，我们的方法在所有存活结果上优于相应的单模态模型和单标签模型。生成的激活图显示，该模型在做出决策时主要关注肿瘤和淋巴结体积，并且对于高风险患者和低风险患者的感兴趣体积有所不同。我们证明多标签学习策略可以提高学习效率和预后性能，而可解释的存活预测模型有助于理解人工智能的决策过程，并促进个性化治疗。

    May, 2024