该研究提出了一种基于深度学习和统计学的综合框架,通过将分段指数模型嵌套在神经网络中,结合支持时间变化的特征和多数据来源处理,在医学研究领域,成功构建了预测老年痴呆症进展的模型。
Nov, 2020
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
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
传统神经网络生存模型在预测组件故障时间方面表现出准确预测的特点,但数据采样不均匀时需要重新采样以获得好的结果,而随机重新采样是减少训练数据量的有效方法。
Mar, 2024
在生存分析领域中,该研究提出了一种基于神经网络的新模型 DeepPAMM,它兼具统计学和灵活性,可以处理复杂的危险结构,并在预测性能方面竞争激烈。
Feb, 2022
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
引入了一种半参数贝叶斯模型用于生存分析,并使用高斯过程来从参数基线风险中非参数地模拟差异,同时考虑协变量的依赖性与左侧,右侧和间隔中断机制,通过 MCMC 算法进行推断并基于随机傅立叶特征的近似方案使计算更快,真实数据实验结果证明我们的模型优于 Cox 比例危险,ANOVA-DDP 和随机生存森林等竞争模型。
Nov, 2016
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
本文介绍了一种统一的深度学习模型形式验证的框架,利用分段线性结构和形式方法,结合现有方法的优势以实现两个数量级的加速。并提出了一组新的基准数据集,通过实验比较现有算法并确定影响验证问题难度的因素。
Nov, 2017
本文研究了在深度神经网络中建模不确定性对生存分析的预测和校准性能的好处,提出了一个贝叶斯深度学习框架,评估了四个基准数据集上的预测表现,并与传统非贝叶斯方法进行比较。
Apr, 2024