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
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
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
通过使用基于递归神经网络的预测模型,结合患者特征分析,构建出可解释的癌症患者存活时间分布预测模型,实验结果表明其相比于其他基线模型在预测性能上有明显优势。
Jan, 2018
提出了一种基于混合 Cox 回归模型的新方法,其中硬指派混合组来进行优化,每个组分配使用深度神经网络拟合组内的风险率,并针对每个混合成分进行非参数基线风险拟合。在多个真实数据集上进行了实验,并研究了不同种族和性别的患者的死亡率。结果表明,该方法在医疗保健领域的判别性能和校准性方面都优于经典和现代生存分析,对于少数民族人群的性能优势更为明显。
Jan, 2021
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
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
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。
使用离散计算生存(DCS)方法的深度神经网络,通过优化未进行 censored 处理的患者数据和变量时间输出节点间距等两个新特性,在医学数据集上实现了最优的校准效果,并在区分方面优于其他竞争模型,这是深度学习在临床生存预测中具有最先进的性能指标的重要一步。
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