Dynamic prediction and analysis based on restricted mean survival time in survival analysis with nonproportional hazards
在临床诊断和治疗过程中,限制平均生存时间(RMST)反映了患者在特定时间内的预期寿命,可作为一个适当的结局指标。然而,RMST仅计算随访开始后一段时间内患者的平均生存时间,可能无法准确描述患者预期寿命随时间的变化。预期寿命可以根据患者已经存活的时间进行调整,并定义为条件限制平均生存时间(cRMST)。在cRMST的基础上,通过引入时变协变量和时变效应协变量,可以建立动态RMST模型。我们分析了原发性胆汁性肝硬化(PBC)的研究数据,以说明使用的动态RMST模型。使用C指数和预测误差来评估预测性能。所提出的动态RMST模型,它可以探讨预后因素对生存时间的动态影响,具有更好的预测性能比RMST模型。三个PBC患者的例子被用来说明如何预测cRMST在不同的预测时间在随访期间的变化。基于cRMST的动态RMST模型的使用允许通过更新患者的个性化动态预期寿命来优化基于证据的决策。
2021-06-20 stat.AP stat.ME
Conformal predictive intervals in survival analysis: a re-sampling approach
针对一般右删失生存数据中删失时间不可观测的问题,本文提出一种 bootstrap 重采样方法,在不同工作回归模型下构造单侧和双侧共形预测区间,并在乳腺癌生存时间预测中验证了其良好的覆盖率表现。
2024-08-13 stat.ME
Predictive Multiplicity in Survival Models: A Method for Quantifying Model Uncertainty in Predictive Maintenance Applications
Eskisehir Technical University(埃斯基谢希尔技术大学)
本文针对生存模型中的预测多重性问题,引入模糊度、差异度和模糊度指标量化该现象,通过预测性维护基准数据集验证,发现其影响显著,为增强高风险环境模型可靠性提供方法。
2025-04-16 cs.LG stat.ML
Two-sided conformalized survival analysis
本文提出一种共形预测方法,为右删失数据生成双侧或单侧生存时间预测区间,提供有限样本覆盖保证,并在合成与真实数据上验证性能。
2025-06-19 stat.ME
GuideR: a guided separate-and-conquer rule learning in classification, regression, and survival settings
Silesian University of Technology(西里西亚工业大学);Institute of Innovative Technologies, EMAG(EMAG创新技术研究所)
本文提出了一种用户引导的规则归纳算法GuideR,它克服了现有方法的最大局限性--无法将用户的偏好或领域知识引入规则学习过程。属性和属性范围的自动选择通常会导致结果规则不包含感兴趣的信息的情况。我们提出了一个归纳算法,考虑到用户的要求。我们的方法使用顺序覆盖方法,适用于分类,回归和生存分析问题。该算法在所有这些任务中的有效性已被实验验证,确认引导规则归纳是一个强大的数据分析工具。
2018-06-05 cs.LG stat.ML
Conformalized Survival Analysis
本文提出基于保形预测的生存分析推断框架,可封装任意生存预测算法生成校准的协变量依赖生存时间下界,并在多种删失机制下证明其覆盖保证与双重稳健性。
2023-04-23 stat.ME stat.ML
Calibration of prediction rules for life-time outcomes using prognostic Cox regression survival models and multiple imputations to account for missing predictor data with cross-validatory assessment
Leiden University Medical Center(莱顿大学医学中心)
在本文中,我们扩大了方法,在Mertens等。al(2020,Biometrical Journal)的研究,该研究受删失的影响,并且当插补用于解释缺失值时。我们考虑的问题,缺失值可能会发生在校准数据以及新的预测观测(验证)。我们关注的是考克斯模型。描述了在删失的生存建模中将插补与预测校准相结合的方法。交叉验证的应用进行了讨论。我们展示了结论如何广泛地证实了第一篇仅限于二元结果研究的论文。具体来说,预测平均似乎具有优越的统计特性,特别是较小的预测变化,而不是直接应用鲁宾的规则。当使用鲁宾的基于规则的方法时,讨论了处理基线危险的不同方法。
2021-05-04 cs.LG stat.AP stat.ME
Why comparing survival curves between two subgroups may be misleading
我们在比较两个亚组之间的生存曲线时分析了一个问题。我们发现,在二元分类设置中,亚组在一个时间点的生存率估计值与阳性和阴性预测值之间存在直接关系。我们的研究结果提出了一种情况下,目前的方法比较亚组之间的生存曲线可能是误导。我们认为,当验证数据集由删失数据组成时,在预测给定疾病或治疗的两个预后亚组的预后诊断测试的验证过程中应该考虑到这一点。
2021-05-14 stat.AP stat.ME stat.ML
Assessing variable importance in survival analysis using machine learning
针对生存数据中变量重要性评估受右删失限制的问题,提出一类算法无关的度量及非参数有效估计程序,具备双重稳健性,并通过模拟和HVTN 702试验数据验证其性能。
2024-08-12 stat.AP stat.ME
Benchmarking Classical, Machine Learning, and Bayesian Survival Models for Clinical Prediction
本研究使用乳腺癌数据集基准测试了经典、机器学习与贝叶斯生存模型,发现正确实现的贝叶斯可解释模型在预测性能上可与现代黑盒模型相媲美,揭示了复杂性与可解释性间的权衡。
2025-09-12 stat.AP
On the Tunability of Random Survival Forests Model for Predictive Maintenance
Department of Statistics(统计系);Eskisehir Technical University(埃斯基谢普大学)
本文研究预测性维护中随机生存森林模型的可调性,提出三级量化框架评估超参数对性能的影响,实验表明调参能显著提升模型表现,为实际应用提供优化指导。
2025-04-20 cs.LG stat.ML
A Multi-Cohort Validation of Censoring-Aware Conformal Lower Predictive Bounds for Pathology Survival Models
本研究通过多队列验证,评估了用于病理生存模型的感知删失共形下界预测边界方法drcosarc,发现其性能依赖于队列,解释受患者单元、估计量和删失假设影响。
2026-08-06 cs.LG stat.ME
Self-Consistent Equation-guided Neural Networks for Censored Time-to-Event Data
Harvard Pilgrim Health Care Institute(哈佛朝圣者医疗保健研究所);Harvard Medical School(哈佛医学院);Harvard School of Public Health(哈佛公共卫生学院);North Carolina State University(北卡罗来纳州立大学)
本文提出一种基于生成对抗网络和自洽方程的无模型深度学习方法,用于删失时间-事件数据中条件生存函数的非参数估计,并给出收敛速率及模拟与真实数据验证。
2025-03-12 cs.LG stat.ME stat.ML
Prediction-Oriented Transfer Learning for Survival Analysis
University of Hong Kong(香港大学);University of Michigan(密歇根大学);University of North Carolina at Chapel Hill(北卡罗来纳大学教堂山分校)
本文提出了一种面向预测的生存分析迁移学习框架,通过转移预测知识提升生存预测性能,无需共享源数据,并在模拟和实际应用中验证了方法的有效性。
2026-08-27 stat.ME
Smooth Concordance Metrics for Survival Models
Department of Biostatistics, University of Michigan(密歇根大学生物统计系)
针对传统一致性指标仅依赖排序且对模型改进不敏感的问题,提出将风险判别概率建模为预测风险得分差的连续函数,从而评估模型在整个风险得分差异范围内的性能。
2026-11-09 stat.ME
Predictive Analytics for Water Asset Management: Machine Learning and Survival Analysis
Barcelona Supercomputing Center (BSC)(巴塞罗那超级计算中心);Aigües de Barcelona(巴塞罗那水务公司);Universitat Politècnica de Catalunya (UPC)(加泰罗尼亚理工大学)
水资产管理的一个关键部分是了解饮用水管网的性能并确定其整个生命周期的维护资源的优先次序。这一重要网络的翻新通常因难以或无法实际进入管道而受到阻碍。我们研究了一个用于预测水管故障的统计和机器学习框架。我们采用古典和现代分类器进行短期预测和生存分析,以提供更广泛的视角和长期预测,通常需要进行翻新的经济分析。为了丰富这些模型,我们引入了新的预测的基础上配水领域的知识,并采用了现代过采样技术,以弥补每年观察到的少数故障来的高不平衡。在我们的案例研究中,我们使用了一个包含西班牙巴塞罗那供水管网中所有管道故障记录的数据集。结果揭示了重要风险因素的影响,如管道几何形状,年龄,材料和土壤覆盖等,并可以帮助公用事业管理人员进行更明智的预测性维护任务。
2020-07-02 cs.LG eess.SP stat.ML
What if we had built a prediction model with a survival super learner instead of a Cox model 10 years ago?
本研究对比生存超级学习器与Cox模型构建的肾移植失败预测模型的长期性能,发现前者开发集区分度更优,未来人群中区分度相近,二者均存在校准漂移。
2024-12-13 stat.AP stat.ME
BDNNSurv: Bayesian deep neural networks for survival analysis using pseudo values
AbbVie Inc.(艾伯维公司);University of Michigan(密歇根大学)
在医学研究中使用深度学习方法对生存数据建模的兴趣越来越大。本文提出了一种贝叶斯分层深度神经网络模型,用于生存数据的建模和预测。与以往研究的方法相比,新的建议不仅可以提供生存概率的点估计,但也量化相应的不确定性,这可能是至关重要的预测建模和随后的决策。通过模拟研究和实际数据分析,证明了点估计和不确定度估计的良好统计特性。提供了实现所提出的方法的Python代码。
2021-09-17 cs.LG stat.ME
A review on competing risks methods for survival analysis
在对竞争风险生存数据进行建模时,统计学和机器学习文献中都提出了几种技术。最先进的方法扩展了经典方法,具有更灵活的假设,可以提高预测性能,允许高维数据和缺失值等。尽管如此,现代方法尚未在应用环境中广泛采用。本文旨在通过提供一个简明的竞争风险生存方法的纲要,以统一的符号和跨方法的解释来帮助这些方法的吸收。我们强调可用的软件,并在可能的情况下,通过可复制的R小插曲来演示它们的使用。此外,我们讨论了两个主要的问题,可以影响基准研究在这种情况下:性能指标和再现性的选择。
2022-12-10 stat.ME
Prediction with Dimension Reduction of Multiple Molecular Data Sources for Patient Survival
从高维基因组数据进行预测建模之前通常会进行降维步骤,例如主成分分析(PCA)。然而,PCA的应用对于多源数据并不简单,其中多个组学数据源测量不同但相关的生物组分。在这篇文章中,我们利用多源数据降维预测建模的最新进展。特别是,我们应用联合和个体变异解释(JIVE),多源数据的PCA扩展的探索性结果,预测不同的响应类型。我们进行说明性的模拟来说明我们的方法的实际优势和可解释性。作为应用实例,我们考虑从测量mRNA表达、miRNA表达和DNA甲基化的三个数据源预测多形性胶质母细胞瘤(GBM)患者的存活。我们还介绍了一种方法来估计新的样本,没有使用在初始降维的JIVE分数,并研究其理论性质;这种方法是实现在R包R.JIVE的CRAN,在功能'jive. predict'。
2017-07-17 q-bio.QM stat.AP
A general kernel boosting framework integrating pathways for predictive modeling based on genomic data
Yale University(耶鲁大学);Yale School of Medicine(耶鲁医学院)
基于基因组数据的预测建模在生物医学研究和临床实践中越来越受欢迎,因为它允许研究人员和临床医生更有效地识别生物标志物并定制治疗决策。结合途径信息的分析可以提高发现能力,并更好地将新发现与生物机制联系起来。在这篇文章中,我们提出了一个通用的框架,基于通路的内核提升(PKB),它结合了临床信息和先验知识的预测二进制,连续和生存结果的途径。我们引入适当的损失函数和优化程序,为不同的结果类型。我们的预测算法通过从路径构建核函数空间来整合路径知识,并将其用作提升过程中的基础学习者。通过对药物反应和癌症生存数据集的广泛模拟和案例研究,我们证明PKB可以大大优于其他竞争方法,更好地识别与药物反应和患者生存相关的生物学途径,并为癌症发病机制和治疗反应提供新的见解。
2021-01-31 cs.LG stat.ML
Doubly Robust Conformalized Survival Analysis with Right-Censored Data
Department of Data Sciences and Operations(数据科学与运营系);Department of Computer Science, University of Southern California(计算机科学系,南加州大学);Merck & Co., Inc.(默克公司)
针对右删失数据,提出一种基于机器学习插补和加权共形推断的双重稳健生存时间下界预测方法,在模型不准确时仍保持稳健。
2025-05-23 cs.LG stat.ME
On Training Survival Models with Scoring Rules
LMU Munich(慕尼黑大学);Munich Center for Machine Learning(慕尼黑机器学习中心);Imperial College London(伦敦帝国学院)
本研究探讨了将评分规则用于生存模型训练而非评估,提出了一个与模型无关且不局限于特定评分规则的通用框架,能参数化或非参数化学习事件时间分布,实证表明其预测性能具竞争力。
2024-11-13 cs.AI cs.LG stat.CO
DNAMite: Interpretable Calibrated Survival Analysis with Discretized Additive Models
Stanford University(斯坦福大学);California Polytechnic State University(加州理工州立大学)
DNAMite是一种新型玻璃盒生存分析模型,通过特征离散化和核平滑生成可解释的校准形状函数,在合成数据上更接近真实形状,预测性能相当且校准更优。
2024-11-08 cs.LG stat.ML
Comparison of the Cox proportional hazards model and Random Survival Forest algorithm for predicting patient-specific survival probabilities in clinical trial data
University of Augsburg(奥格斯堡大学);University of Reading(雷丁大学)
本研究基于RCT数据集全面比较了Cox回归与RSF在预测生存概率中的表现,发现仅依赖C index评估具局限性,总体性能指标更合理,且RSF替代分裂规则在非比例风险下更优。
2025-05-27 cs.LG stat.ML
MixEHR-SurG: a joint proportional hazard and guided topic model for inferring mortality-associated topics from electronic health records
McGill University(麦吉尔大学);Mila - Quebec AI institute(米拉-魁北克人工智能研究所);School of Computer Science, McGill University(麦吉尔大学计算机科学学院)
针对现有生存模型难以适配高维多模态EHR数据且可解释性差的问题,提出结合Cox比例风险与PheCode引导的多模态监督主题模型MixEHR-SurG,在多数据集上实现更优死亡率预测且可解释性强。
2024-04-16 cs.LG stat.ME
Survival Prediction with Limited Features: a Top Performing Approach from the DREAM ALS Stratification Prize4Life Challenge
在临床实践中,使用小特征集进行生存预测是一个与决策高度相关的主题。我描述了一种预测肌萎缩侧索硬化症(ALS)患者生存的方法,该方法是作为2015年夏季举行的DREAM ALS分层奖4Life Challenge的提交而开发的,旨在找到最准确的ALS进展和生存预测。ALS是一种神经退行性疾病,具有非常异质的生存时间。根据来自两个国家登记处的患者数据,要求求解者预测三个不同时间间隔的生存率,然后根据来自其他数据的未公开信息进行评估。我描述的方法用于从现有的纵向数据,选择最具预测性的功能,并开发最佳的生存模型。我表明,容易获得的工程特征可以显着提高预测,并可以纳入临床实践。此外,我的预测模型证实了先前的报告,即通过ALSFRS(ALS功能评定量表评分)测量的既往疾病进展、自疾病发作以来的时间、发作部位和年龄是生存率的强预测因子。在预测精度方面,该方法排名第二。
2016-12-02 q-bio.QM stat.AP
Enhancing Visual Interpretability and Explainability in Functional Survival Trees and Forests
Department of Mathematics and Physics, University of Campania Luigi Vanvitelli(数学与物理系,坎帕尼亚卢igi vanvitelli大学);Department of Economics, Statistics and Business, Universitas Mercatorum(经济学、统计学与商业系,默卡托鲁姆大学)
本研究针对函数型生存树与森林缺乏可解释性的问题,提出新方法增强其视觉可解释性,实验证明能生成高效且准确的决策树。
2025-04-25 cs.LG stat.ME stat.ML
SDPM: Survival Diffusion Probabilistic Model for Continuous-Time Survival Analysis
Peter the Great St.Petersburg Polytechnic University(彼得大帝圣彼得堡国立大学)
本文提出SDPM,一种用于连续时间生存分析的生成模型,通过去噪扩散模型建模生存结果的条件分布,避免了对事件时间分布的参数假设,并在变换的目标空间中使用标准化对数时间和连续高斯混合表示来表示删失指示符,从而在多个真实生存数据集上取得了竞争力的预测性能。
2026-05-21 cs.AI cs.LG stat.CO
Dynamic Prediction of Joint Longitudinal-Survival Models Using a Similarity-Based Approach
University of Waterloo(滑铁卢大学)
针对纵向与事件时间数据的联合模型动态预测需求,提出一种基于相似度的方法,通过仅在目标数据子集上训练模型优化预测,经模拟研究和重症监护室数据验证可提升预测性能。
2026-10-20 stat.ME
ADHAM: Additive Deep Hazard Analysis Mixtures for Interpretable Survival Regression
Columbia University(哥伦比亚大学)
提出ADHAM可解释加性生存模型,通过条件潜在结构定义子组并合并相似组,在保持预测性能的同时提供人群、子组和个体层面的可解释性见解。
2025-09-08 cs.LG stat.ML
Clustering Survival Data using a Mixture of Non-parametric Experts
Federal University of Rio de Janeiro(里约热内卢联邦大学)
SurvMixClust将聚类与生存函数预测统一于非参数专家混合框架,在五个公共数据集上生成平衡且生存曲线不同的聚类,优于聚类基线,预测精度媲美非聚类生存模型。
2024-05-24 cs.LG stat.ML
A Large-Scale Neutral Comparison Study of Survival Models on Low-Dimensional Data
Department of Statistics, LMU Munich(慕尼黑大学统计学系);Munich Center for Machine Learning(慕尼黑机器学习中心);Leibniz Institute for Prevention Research and Epidemiology – BIPS(预防研究与流行病学研究所 – BIPS);Faculty of Mathematics & Computer Science, University of Bremen(不莱梅大学数学与计算机科学学院);Department of Cancer Genetics, Institute for Cancer Research, Oslo University Hospital(癌症遗传学部,癌症研究所,奥斯陆大学医院);Department of Biostatistics, Oslo Centre for Biostatistics and Epidemiology (OCBE), University of Oslo (UiO)(生物统计学部,奥斯陆生物统计与流行病学中心(OCBE),奥斯陆大学);OSPO Now, London, UK(OSPO Now,伦敦,英国)
本研究对低维生存数据中的19种生存模型进行大规模中性比较,发现Cox模型在多数指标上表现稳健,仍为实用选择。
2026-02-28 cs.LG stat.ML
Interim decision-making strategies in adaptive designs for population selection considering post-progression survival magnitudes
靶向治疗的发展,这只有利于一个特定类型的癌症治疗的患者亚组,一直非常有吸引力的许多研究人员。如果存在预定义的生物标志物假设,则可以在肿瘤学临床试验中使用适应性无缝II/III期设计,并进行亚群选择的中期分析。我们考虑使用至事件发生时间终点进行中期分析,例如,总生存期(OS)和无进展生存期(PFS),以确定是否整个人群或仅生物标志物阳性人群应继续进入后续阶段,而最终决定是基于OS数据。在本文中,我们提出了中期决策策略的自适应设计与相关的终点,考虑后进展生存期(PPS)的幅度。在我们的方法中,通过结合OS和PFS的信息,根据预测能力做出临时决定。我们仅在做出中期决策时考虑PFS数据,以补充不成熟的OS数据。假设靶向治疗的模拟研究表明,我们的中期决策程序在选择适当人群方面表现良好,特别是在PPS影响PFS至OS获益转化的情况下。
2016-03-07 stat.AP
FedPseudo: Pseudo value-based Deep Learning Models for Federated Survival Analysis
University of Maryland, Baltimore County(马里兰大学巴尔的摩县分校)
生存分析,时间事件分析,是一个重要的问题,在医疗保健,因为它有广泛的影响,病人和姑息治疗。许多生存分析方法都假设生存数据可以从一个医疗中心集中获得,或者通过多个中心的数据共享获得。然而,患者属性的敏感性和严格的隐私法律越来越禁止医疗保健数据的共享。为了应对这一挑战,研究界已经研究了使用联邦学习(FL)范式的分散训练和共享模型参数的解决方案。在本文中,我们研究利用FL进行生存分析的分布式医疗数据集。最近,流行的Cox比例风险(CPH)模型已适用于FL设置;然而,由于其线性和比例风险假设,CPH模型导致次优性能,特别是对于非线性,非iid和严重删失的生存数据集。为了克服现有联邦生存分析方法的挑战,我们利用深度学习模型的预测准确性和伪值的强大功能,提出了一种用于联邦生存分析(FSA)的基于伪值的深度学习模型FedPseudo。此外,我们介绍了一种新的方法,推导出的生存概率的伪值的FL设置,加快了伪值的计算。在合成数据集和真实世界数据集上进行的大量实验表明,我们基于伪值的FL框架与最佳集中训练的深度生存分析模型具有相似的性能。此外,我们提出的FL方法获得了最好的结果,为各种删失设置。
2022-07-12 cs.LG stat.ME
Similarity-based Random Survival Forest
在大型数据库中预测事件发生时间结果可能是一项具有挑战性但重要的任务。其中一个例子是预测重症监护室(ICU)患者的临床结局时间,这有助于支持关键的医疗决策。在这种情况下,到感兴趣事件的时间可以是例如存活时间或从ICU内观察到的疾病/小病恢复的时间。从电子健康记录(EHR)的摄取产生的大量健康数据集是非常异构的,因为患者在特征向量和结果之间的关系上可能非常不同,这给预测增加了更多的噪声而不是信息。在本文中,我们提出了一种改进的随机森林方法,用于识别相似病例的生存数据,以提高预测事件发生时间结局的准确性;这种方法可以应用于各种环境,包括ICU数据库。我们还介绍了一个适应我们的方法在依赖删失的情况下。我们所提出的方法是证明在重症监护医学信息集市(MIMIC-III)数据库,此外,我们目前的属性,我们的方法,通过全面的模拟研究。在我们进行的各种分析中,与单独的随机生存森林相比,将相似性引入随机生存森林方法确实提供了更高的预测准确性。
2019-08-05 stat.AP stat.CO
Dynamic Survival Prediction using Longitudinal Images based on Transformer
Department of Statistics and Acturial Science(统计与精算学系);Simon Fraser University(西蒙·弗雷泽大学)
针对纵向医学图像生存分析中删失数据利用不足、忽略时间相关性及缺乏可解释性的问题,提出基于Transformer的SurLonFormer框架,结合视觉与序列编码器及Cox模型,实现高性能动态生存预测并识别疾病生物标志物。
2025-08-12 cs.CV eess.IV stat.AP
Survival Cluster Analysis
Duke University(杜克大学);Microsoft Research(微软研究院)
传统的生存分析方法估计风险评分或以协变量为条件的个体化事件发生时间分布。在实践中,往往有很大的人口水平的表型异质性,导致(未知)亚群不同的风险概况或生存分布。因此,在生存分析中存在未满足的需求,以识别具有不同风险特征的亚群,同时共同解释准确的个体化事件发生时间预测。一种解决这一需求的方法可能会通过利用亚群中的基因来改善个体结局的特征,从而解释人群水平的异质性。在本文中,我们提出了一种贝叶斯非参数化方法,该方法表示聚类潜在空间中的观测(受试者),并鼓励准确的事件发生时间预测和具有不同风险特征的聚类(亚群)。在真实世界数据集上的实验表明,相对于现有的最先进的生存分析模型,预测性能和可解释性得到了一致的改善。
2020-02-29 cs.LG stat.ML
Survival Function Matching for Calibrated Time-to-Event Predictions
Duke University(杜克大学)
预测未来事件发生时间的模型对于风险评估至关重要,在各种应用中。现有的时间到事件(生存)模型主要集中在保持成对排序的估计事件时间,或相对风险。模型校准是相对下探索,尽管它的时间到事件的应用程序中的关键重要性。我们提出了一个生存函数估计的概率预测时间到事件模型,基于神经网络模型的事件时间的分布,没有明确的假设的形式上的分布。这就像在对抗学习中一样,但我们在没有对抗或对抗目标的情况下实现学习。所提出的估计量可以在实际中用作估计和比较条件生存分布的一种手段,同时考虑概率模型的预测不确定性。大量实验表明,在时间到事件分布的校准和集中方面,所提出的模型优于现有的方法,无论是否使用对抗学习进行训练。
2019-05-21 cs.LG stat.ML
CoxSE: Exploring the Potential of Self-Explaining Neural Networks with Cox Proportional Hazards Model for Survival Analysis
Center for Applied Intelligent Systems Research (CAISR)(应用智能系统研究中心);Halmstad University(哈马斯特德大学);Centre for Environmental and Climate Science(环境与气候科学中心);Lund University(吕勒奥大学);Research Institutes of Sweden (RISE)(瑞典研究机构)
CoxSE通过自解释神经网络和Cox比例风险模型提升生存分析的可解释性和鲁棒性,混合模型在稳定性与一致性方面表现最佳。
2025-12-01 cs.LG stat.ML
A Scalable Discrete-Time Survival Model for Neural Networks
Stanford University School of Medicine(斯坦福大学医学院);Stanford University(斯坦福大学)
目前,人们对将神经网络应用于医学中的预测任务非常感兴趣。对于预测模型来说,能够使用生存数据是很重要的,其中每个患者都有已知的随访时间和事件/删失指标。这避免了训练模型时的信息丢失,并能够生成预测的生存曲线。在本文中,我们描述了一个离散时间生存模型,该模型被设计用于神经网络,我们称之为Nnet生存。该模型采用小批量随机梯度下降(SGD)的极大似然方法进行训练。SGD的使用可以快速收敛并应用于不适合内存的大型数据集。该模型是灵活的,因此基线风险率和输入数据对风险概率的影响可以随随访时间而变化。它已经在Keras深度学习框架中实现,模型的源代码和几个示例可以在线获得。我们在模拟和真实数据上展示了该模型的性能,并将其与现有模型Cox-nnet和Deepsurv进行了比较。
2018-11-19 cs.CY cs.LG stat.ML
Survival Forests under Test: Impact of the Proportional Hazards Assumption on Prognostic and Predictive Forests for ALS Survival
我们研究比例风险假设对肌萎缩侧索硬化(ALS)患者生存时间的预后和预测模型的影响。我们从理论上比较了生存森林及其实现的几个变体的基本模型配方,包括随机森林生存,条件推理森林,游侠,和生存森林与$L_1$分裂,两个新的变体,即分布和变换生存森林。理论上的考虑解释了低功率的对数秩为基础的分裂检测模式在非比例风险的情况下,在生存的树木和相应的森林。这种限制可以通过本文建议的替代分裂过程来克服。我们通过模拟实验和对ALS生存的PRO-ACT数据库的重新分析,对这种影响进行了实证研究,特别强调了预后和预测模型。
2019-02-05 stat.ME stat.ML
Survival and Neural Models for Private Equity Exit Prediction
Politecnico di Torino(都灵理工大学);IEIIT CNR(意大利国家研究委员会电子与信息工程研究所);Eurostep Digital AS(Eurostep数字公司)
在私募股权(PE)市场中,私人公司进行首次公开募股(IPO)的事件通常对公司投资者来说是一个非常高的回报。因此,在私募股权市场上,一个有效的IPO事件预测模型被认为是一个有价值的工具,在这种市场上,公开可用的定量信息通常是稀缺的。在本文中,我们描述了一个数据分析程序,用于预测一家公司在给定的未来一段时间内上市的概率。所提出的方法是基于相互作用的神经网络(NN)模型估计的整体事件的概率,和生存分析(SA)进一步建模的IPO事件的概率在任何给定的时间间隔。使用汤森路透Eikon PE数据库的真实数据,在九个工业部门对拟议的神经生存模型进行了调整和测试。
2019-11-25 cs.LG stat.ML
Predicting Survival Outcomes in the Presence of Unlabeled Data
KU Leuven(鲁汶大学);imec(比利时微电子研究中心)
许多临床研究需要随时间对患者进行随访。这是一个挑战:除了经常观察到的辍学现象外,还常常存在组织和财务方面的挑战,这可能导致数据汇集减少,反过来又可能使随后的分析复杂化。相比之下,通常有大量具有相似特征和背景信息的患者的基线数据可用,例如,来自研究时间窗外的患者。在这篇文章中,我们研究了我们是否可以从包含这些未标记的数据实例中受益,以预测准确的生存时间。换句话说,我们在生存分析的背景下引入了第三层监督,除了完全观察和审查的实例外,我们还包括未标记的实例。我们提出了三种方法来处理这种新的设置,并提供了一个经验比较超过15个现实生活中的临床和基因表达生存数据集。我们的研究结果表明,所有的方法都能够提高独立的测试数据的预测性能。我们还表明,与不使用未标记数据相比,在半监督包装方法中集成审查数据提供的部分监督通常会提供最佳结果,通常会实现很高的改进。
2022-10-25 cs.AI cs.LG stat.ML
X-CAL: Explicit Calibration for Survival Analysis
New York University(纽约大学);Columbia University(哥伦比亚大学)
生存分析对直到感兴趣的事件(例如出院或入住ICU)的时间分布进行建模。当模型在任何时间间隔内预测的事件数量与观察到的数量相似时,它被称为良好校准。生存模型的校准可以使用例如分布校准(D-CALIBRATION)来测量[Haider等人,2020],其计算在不同时间间隔内观察到的事件数量和预测的事件数量之间的平方差。传统上,校准在训练后分析中解决。我们开发了显式校准(X-CAL),它将D-CALIBRATION变成了一个可区分的目标,可以与最大似然估计和其他目标一起用于生存建模。X-CAL允许从业者直接优化校准,并在预测能力和校准之间取得所需的平衡。在我们的实验中,我们在模拟数据、基于MNIST的生存数据集、使用MIMIC-III数据的住院时间预测以及来自癌症基因组图谱的脑癌数据上拟合了各种浅层和深层模型。我们表明,我们研究的模型可以被错误校准。我们在这些数据集上给出了实验证据,表明X-CAL改善了D-CALIBRATION,而不会大幅降低一致性或可能性。
2021-01-13 cs.LG stat.ML
Neural Frailty Machine: Beyond proportional hazard assumption in neural survival regressions
Ant Group(蚂蚁集团);Fudan University(复旦大学);Coupang(库潘)
本研究提出神经脆弱性机(NFM)框架,结合乘性脆弱性思想与神经网络处理生存回归的异质性和非线性依赖,推导出两种高效训练的模型,在理论上提供收敛速率保证,实验中在6个基准数据集上性能优于现有最优生存模型。
2023-10-04 cs.LG math.ST stat.TH
DeepPAMM: Deep Piecewise Exponential Additive Mixed Models for Complex Hazard Structures in Survival Analysis
LMU Munich(慕尼黑大学)
生存分析(SA)是一个活跃的研究领域,它关注事件发生时间的结果,在许多领域都很流行,特别是生物医学应用。尽管其重要性,SA仍然具有挑战性,由于小规模的数据集和复杂的结果分布,被截断和删失过程所掩盖。分段指数加法混合模型(PAMM)是解决许多这些挑战的模型类,但PAMM不适用于高维特征设置或非结构化或多模态数据的情况。我们通过提出DeepPAMM统一了现有的方法,DeepPAMM是一个多功能的深度学习框架,从统计的角度来看是有根据的,但具有足够的灵活性来建模复杂的危险结构。我们说明了DeepPAMM与其他机器学习方法在预测性能方面具有竞争力,同时通过基准实验和扩展的案例研究保持可解释性。
2022-02-12 cs.LG stat.ML
DeepAISE -- An End-to-End Development and Deployment of a Recurrent Neural Survival Model for Early Prediction of Sepsis
Georgia Institute of Technology(佐治亚理工学院);Emory University School of Medicine(埃默里大学医学院);University of California San Diego Health(加州大学圣地亚哥分校健康中心)
脓毒症是一种免疫系统对感染的失调反应,是重症监护病房(ICU)发病率、死亡率和费用超支的主要原因之一。脓毒症的早期预测可以提高临床医生的情境意识,并促进及时的保护性干预。虽然预测分析在ICU患者中的应用已经显示出早期有希望的结果,但大部分工作都受到高误报率的阻碍。提高特异性的努力受到几个因素的限制,最明显的是标记败血症发作时间的困难和ICU中败血症事件的低患病率。在这里,我们提出了DeepAISE(深度人工智能脓毒症专家),这是一种用于脓毒症早期预测的循环神经存活模型。我们表明,通过将定义脓毒症发作时间的临床标准与治疗策略(例如,在满足标准的一小时内开始使用抗生素),可以通过离线策略评估对各种标准的相对效用进行排名。在给定最佳标准的情况下,DeepAISE自动学习与临床风险因素之间的高阶相互作用和时间模式相关的预测特征,从而最大限度地提高观察到的脓毒症事件时间的数据可能性。DeepAISE已被纳入临床工作流程,提供实时的每小时脓毒症风险评分。四个基线模型的比较研究表明,DeepAISE在两个单独的队列(分别为内部和外部)中产生最准确的预测(AUC=0.90和0.87)和最低的误报率(FAR=0.20和0.26),同时产生临床时间序列和风险因素的可解释表示。
2019-08-10 cs.LG stat.ML
Reduction Techniques for Survival Analysis
Statistical Consulting Unit StaBLab, Department of Statistics, LMU Munich(统计咨询单位StaBLab,统计系,慕尼黑大学);Munich Center for Machine Learning, LMU Munich(慕尼黑机器学习中心,慕尼黑大学);Oncostat U1018, Inserm, labeled Ligue Contre le Cancer, University Paris-Saclay(Oncostat U1018,Inserm,标注为抗癌联盟,巴黎-萨克雷大学);Department of Genetic Epidemiology, University of Regensburg(遗传流行病学系,雷根萨大学);Department of Cancer Genetics, Institute for Cancer Research, Oslo University Hospital (OUS)(癌症遗传学系,癌症研究所,奥斯陆大学医院(OUS));Department of Biostatistics, Oslo Centre for Biostatistics and Epidemiology (OCBE), University of Oslo (UiO)(生物统计学系,奥斯陆生物统计与流行病学中心(OCBE),奥斯陆大学(UiO));Leibniz Institute for Prevention Research and Epidemiology – BIPS(预防研究与流行病学研究所——BIPS);Faculty of Mathematics and Computer Science, University of Bremen(数学与计算机科学学院,不莱梅大学)
本文探讨了生存分析中的简化技术,将生存任务转化为常见回归或分类任务,同时保留生存数据的特性。通过提供不同简化技术的概述及其优缺点,并展示其在标准机器学习流程中的实现,本文展示了这些技术在生存分析中的应用与性能比较。
2025-08-07 cs.LG stat.ML
A Predictive Approach to Bayesian Nonparametric Survival Analysis
贝叶斯非参数方法是分析生存数据的流行选择,因为它们能够灵活地模拟生存时间的分布。这些方法通常采用非参数先验的生存函数,这是共轭相对于右删失数据。得出这些先验,特别是在存在协变量的情况下,可能具有挑战性,并且推断通常依赖于计算密集型的马尔可夫链蒙特卡罗方案。在本文中,我们建立在最近的工作,改写贝叶斯推断分配一个预测分布的人口条件的观察样本的看不见的值,从而避免了需要指定一个复杂的先验。我们描述了一个基于Copula的预测更新,它允许一个可扩展的顺序重要性抽样算法来执行推理,正确地考虑右删失。我们提供了理论上的理由,通过扩展Doob的一致性定理,并说明了一些模拟和真实的数据集,包括一个例子与协变量的方法。我们的方法使分析师能够执行贝叶斯非参数推断,通过只有规范的预测分布。
2022-02-21 stat.CO stat.ME
A Nonparametric Method for Value Function Guided Subgroup Identification via Gradient Tree Boosting for Censored Survival Data
在具有生存结局的随机临床试验中,基于基线基因组、蛋白质组学标志物或临床特征的亚组识别越来越受到关注。一些现有的方法通过直接建模结果或处理效应来识别从实验处理中实质上受益的亚组。当目标是为给定患者找到最佳治疗而不是为给定治疗找到合适的患者时,个体化治疗方案框架下的方法估计个体化治疗规则,该个体化治疗规则将导致如由值函数测量的最佳预期临床结果。将价值函数的概念与亚组识别联系起来,我们提出了一种非参数方法,该方法通过最大化直接反映基于受限平均生存时间的亚组-治疗相互作用效应的价值函数来搜索亚组成员资格分数。提出了一种梯度树提升算法来搜索单个子组成员分数。我们进行模拟研究,以评估所提出的方法的性能和应用程序的艾滋病临床试验进行说明。
2020-06-15 stat.ME
Conditional Screening for Ultra-high Dimensional Covariates with Survival Outcomes
识别预测癌症患者预后的重要生物标志物是更好地了解疾病生物学影响的关键,已成为精准医学的关键组成部分。大规模生物医学生存研究的出现,通常涉及过多的生物标志物,在设计有效的筛选工具,选择预测性生物标志物带来了很高的需求。大量的生物标志物挑战了任何现有的通过正则化的变量选择方法。最近开发的可变筛选方法,虽然在许多实际设置中是强大的,但不能结合关于每个生物标志物的重要性的先验信息,并且在检测稍微弱但联合重要的信号方面不太强大。我们提出了一种新的生存结果数据的条件筛选方法,通过计算每个生物标志物的边际贡献已知的生物信息。这是基于这样的前提,即已知一些生物标志物与疾病结果先验相关。我们的方法具有一定的筛选性能和消失的错误选择率。广泛的模拟研究和弥漫性大B细胞淋巴瘤(DLBCL)数据集的分析进一步证实了该建议的实用性。
2016-03-19 stat.ME
From Test Performance to Risk-Based Effect Sizes: A Unified Wald-Type Framework to Design Clinical Validation Studies for Binary and Survival Outcomes
Adela Inc.(阿德拉公司)
该研究建立了灵敏度、特异度等与Wald型统计量的关联,提出统一框架用于设计二分类和生存结局的临床验证研究,可直接计算功效和样本量。
2026-09-16 stat.ME
A scalable and flexible Cox proportional hazards model for high-dimensional survival prediction and functional selection
考克斯比例风险模型是生物医学数据分析中最常用的模型之一。一直在努力提高这种模型的灵活性,例如通过加法函数进行复信号检测。然而,扩展Cox加性模型以适应高维数据的任务是不平凡的。在估计加性函数时,常用的组稀疏正则化可能会在加性函数上引入过度的平滑收缩,从而损害预测性能。此外,如果存在非线性效应,“全进全出”的方法使得函数选择具有挑战性。我们开发了一个加性Cox PH模型来解决高维数据分析中的这些挑战。值得注意的是,我们施加了一个新的尖峰和平板LASSO之前,激励添加剂功能的双层功能选择。设计了一种可扩展的确定性模型拟合算法EM-坐标下降法。我们比较了模拟研究和代谢组学数据分析中最先进的模型的预测和计算性能。通过免费提供的R包BHAM(https://boyiguo1.github.io/BHAM/),所提出的模型广泛适用于各种研究领域,例如基因组学和人口健康。
2022-05-23 stat.CO stat.ME