- SAVAE:利用变分贝叶斯自编码器进行生存分析
通过使用深度学习技术中的变分自动编码器,本研究提出了一种名为 SAVAE 的新方法,用于生存分析及相关领域,能够适应复杂、高维、异构以及包含缺失和截尾数据的场景,并表现出稳健性和稳定性。同时,该方法还能够进行数据插补,并通过潜变量推断生成合 - MixEHR-SurG:一种用于从电子病历中推断与死亡率相关主题的联合比例风险和引导主题模型
使用 EHR 数据改进生存分析,开发了一种名为 MixEHR-SurG 的监督主题模型,同时整合了异质 EHR 数据并建模生存危险。
- 复合生存分析:学习辅助聚合基线和生存得分
通过将 Survival Analysis 模型的完整表达分解为聚合基线风险和独立分布的生存得分,改善了该模型的训练和推断方法,实现了对右删失观测的动态处理,并在各种真实世界数据集中取得了与其他最先进方法相媲美的性能,无需进行微调或超参数优 - 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。
- 用重要抽样法最大似然估计灵活的生存密度
提出了一种消除超参数调优负担的生存分析方法,匹配或优于基线模型在多个真实数据集上的效果。
- DySurv: ICU 生存预测的动态深度学习模型
基于深度学习和条件变分自编码器的 DySurv 方法能够动态地利用患者电子健康记录中的静态和时间序列测量,准确地估计 ICU 中的死亡风险,并在标准基准测试中胜过大多数现有方法,表现一致且可靠。
- 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 - NSOTree: 神经存活斜树
在生存分析中,我们提出了一种名为 NSOTree 的神经生存倾斜树模型,结合了深度学习和基于树的方法的优势,既能够逼近复杂函数,又能够保持可解释性,通过在模型中使用该方法,我们在模拟和真实生存数据集上证明了其在性能和可解释性方面的有效性。
- AAAI在右删失情况下预测滚珠轴承的寿命时间
提出了一种使用生存分析预测滚动轴承的失效时间的新方法,该方法通过分析频域数据并比较来自时域的协变量,利用机器学习模型对滚动轴承的风险进行概率预测,从而促进了预测性维护建模中对截尾数据的进一步研究。
- CenTime: 事件条件下的生存分析中截尾建模
提出了 CenTime,一种用于生存分析的新方法,该方法通过创新的事件条件压缩机制直接估计事件发生时间,即使在无未被压缩的数据的情况下,我们的方法依然能够形成事件模型参数的一致估计器。
- 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 - 使用联邦生存森林在医疗中扩展生存分析:关于心力衰竭和乳腺癌基因组学的比较研究
在医学领域,生存分析是一种基本工具,用于建模人群中出现感兴趣事件的时间。然而,在现实世界的应用中,生存数据通常是不完整、被审查、分布式和保密的,尤其是在关键性的医疗环境中,隐私保护至关重要。本研究提出了一种名为 FedSurF++ 的 Fe - 在万用逼近器时代重新解释生存分析
生存分析在深度学习领域最近才得到一些关注,本论文提供了连接分类和回归的生存分析工具,包括新的损失函数、评估指标和无需数值积分即可产生生存曲线的第一个全能逼近网络,并通过大型数值研究表明这些工具在生存分析中的效果优于其他方法。
- 使用生存机器学习和统计方法预测痴呆风险:以英国衰老长期研究队列为例的结果
研究使用机器学习中的生存分析方法,基于英国长寿研究队列 ELSA 数据,构建了两种基于随机森林和弹性网络算法的生存机器学习模型,并证明了这些模型相较于传统的 Cox 比例风险模型具有更优越的预测性能和稳定性。
- 基于 Transformer 的慢性肾脏疾病恶化时间预测
STRAFE 是一种基于 transformer 模型的创新深度学习架构,适用于电子健康记录的时间事件预测,并且在预测肾脏疾病患者进展至第 5 期的确切时间方面表现出了其他算法无法匹敌的性能。
- 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。
- 深度学习在生存分析中的应用:综述
本研究综述了近年来深度学习在生存分析中的应用,包括针对高维 omics 数据和非结构化数据等的学习,旨在对从业者提供有用的综述和帮助两个领域的研究者确定未来的方向。
- 神经细分 - 针对竞争风险的单调神经网络
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。
- ICML生存分析的适当评分规则
本篇论文研究了四种主要的适用于生存分析中的严格得分规则推广,并且证明了这些扩展在离散化条件下是适当的,并通过真实数据集比较了这些扩展得分规则的估计性能,发现对数分值和布赖尔分值的扩展效果最好。
- 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