Sep, 2024

可解释的高性能生存分析：CoxKAN（Kolmogorov-Arnold网络）

HTML
PDF
TL;DR本研究解决了生存分析中性能与可解释性之间的权衡问题，提出了CoxKAN，一种高效且可解释的Cox比例风险Kolmogorov-Arnold网络。研究结果表明，CoxKAN在多个数据集上的表现优于传统模型，同时能够自动选择特征并识别变量间的复杂交互，帮助更好地理解生物标志物对患者风险的影响。
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

  • 深度 Cox 混合以实现生存回归

    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

  • 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

  • 可解释的心力衰竭风险预测的生存分析

    我们提出了一种新颖的生存分析流程，既能解释模型预测结果，又能与最先进的生存模型竞争。通过改进的生存堆叠模型将生存分析问题转化为分类问题，使用ControlBurn进行特征选择，并使用可解释的增强学习机器生成可解释的预测结果。我们使用大型电子健康记录数据库预测心力衰竭的风险，该流程实现了最先进的性能并提供了关于心力衰竭风险因素的有趣且新颖的见解。

    Oct, 2023

  • ICTSurF：基于神经网络的隐式连续时间生存函数

    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。

    Dec, 2023

  • 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

  • 可解释的机器学习用于生存分析

    通过对现有的解释性机器学习方法的综述，我们详细介绍了如何将常用的解释性机器学习方法应用于生存分析，以实现对模型决策或预测的理解。并且通过对加纳儿童5岁以下死亡率的实际数据的应用，展示了如何在实践中使用这些技术来促进对模型决策或预测的理解。

    Mar, 2024

  • 通过神经网络的近似推理进行贝叶斯生存分析

    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

  • 贝叶斯Kolmogorov阿诺德网络（Bayesian_KANs）：提高准确性和可解释性的概率方法

    本研究针对传统深度学习模型缺乏可解释性和对预测不确定性考虑的挑战，提出了一种新框架——贝叶斯Kolmogorov阿诺德网络（BKANs）。该方法结合了Kolmogorov阿诺德网络的表达能力与贝叶斯推断，能够在医学诊断中提供更可靠的预测，并显著提高模型的可解释性和准确性，确保医生获得更稳健的决策支持。

    Aug, 2024

  • 使用深度神经网络预测食管癌患者术后复发和生存

    本研究针对食管癌患者术后高复发率和低生存率的问题，探索了相关预后因素的识别和预测方法。采用了Cox比例风险模型和两种基于深度神经网络的模型（DeepSurv和DeepHit），结果显示DeepSurv在疾病无复发生存和总生存预测中略优于CoxPH模型，具有较高的预测准确性，潜在改善临床决策并提升患者预后。

    Aug, 2024