Survival-supervised latent Dirichlet allocation models for genomic analysis of time-to-event outcomes
癌症临床研究中的两个挑战性问题是癌症亚型的表征和根据这些亚型对个体患者进行分类。解决这些问题的统计方法受到人口异质性和高维多样协变量数据集成固有挑战的阻碍。我们已经开发了一个生存监督潜在狄利克雷分配(survLDA)建模框架来解决这些问题。LDA模型已被证明在识别大型文本集合中的共同主题方面非常有效,但在基因组学中的应用却很有限。我们的框架将LDA扩展到基因组,将每个患者视为从临床和高维基因组测量构建的具有“文本”的“文档”。然后,我们进一步扩展的框架,以允许监督的时间到事件的响应。该模型能够有效识别患者亚组内共同出现的临床和基因组特征的集合,然后通过这些特征表征每个患者。survLDA在癌症基因组图谱(TCGA)卵巢项目中的应用确定了信息丰富的患者亚组,这些亚组的特征在于表现出异常mRNA表达和甲基化的不同倾向,对应于主要治疗的不同生存率。
2012-02-27 stat.AP stat.ME
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
Estimating the causal effects of multiple intermittent treatments with application to COVID-19
本文提出联合边际结构生存模型与连续时间加权策略,解决多种时变间歇性治疗的因果效应估计问题,并在大规模COVID-19数据集上验证了其对院内死亡和ICU入院的复合因果效应。
2023-08-04 stat.AP stat.ME
Learning association from multiple intermediate events for dynamic prediction of survival: an application to cardiovascular disease prognosis
Harbin Institute of Technology(哈尔滨工业大学);Nanyang Technological University(南洋理工大学)
本文提出基于copula的框架,通过伪似然估计学习多个相关边缘成分的依赖关系,用于动态生存预测,通过模拟和心脏疾病数据验证了方法的灵活性和预测效果。
2026-07-03 stat.AP stat.CO stat.ME
Assessing Preferential Sampling in Retail Survival Data: A Bayesian Joint LGCP and Spatial Probit Model for Mini-Supermarket Closure in Tokyo
Bank of America, Tokyo, Japan(美国银行);Graduate School of Social Data Science, Hitotsubashi University, Tokyo, Japan(一桥大学社会数据科学研究生院)
研究零售生存数据中因位置因素致偏好抽样问题,提出贝叶斯联合LGCP和空间Probit模型,用特定算法和协变量等进行分析,结果显示能区分偏好抽样,且靠近大型超市是关闭风险的稳健预测因素。
2026-08-12 stat.AP stat.ME
A Survival Framework for Estimating Child Mortality Rates using Multiple Data Types
University of Washington(华盛顿大学);Macalester College(玛凯斯特学院)
本文提出了一种贝叶斯生存框架,通过整合多种数据类型,以单个模型估计儿童生存概率随年龄和时间的变化,提供更全面的生存曲线。
2026-01-28 stat.AP
Lung Cancer Survival Prediction Using Machine Learning and Statistical Methods
Auckland University of Technology(奥克兰理工大学)
针对现有肺癌生存预测模型忽略治疗后变量的问题,结合基线与治疗后特征构建Cox比例风险模型和随机生存森林,C-index分别达0.90和0.86,优于既往研究,可为临床提供更可靠的生存估计以辅助诊疗决策。
2025-09-29 stat.AP
Predicting Kidney Transplant Survival using Multiple Feature Representations for HLAs
University of Toledo(托莱多大学)
肾移植可以显著提高终末期肾病患者的生活水平。影响肾移植的移植物存活时间(移植失败和患者需要另一次移植的时间)的一个重要因素是供体和受体之间人类白细胞抗原(HLA)的相容性。在本文中,我们提出了4个新的生物相关的特征表示将HLA信息纳入机器学习为基础的生存分析算法。我们在超过100,000例移植的数据库上评估了我们提出的HLA特征表示,发现它们将预测准确性提高了约1%,在患者水平上适度,但在社会水平上可能具有重要意义。准确预测存活时间可以改善移植存活结果,从而更好地将供体分配给受体,并减少因供体匹配不良而导致移植失败的再次移植数量。
2022-07-06 cs.AI cs.LG stat.AP
PISA: An AI Pipeline for Interpretable-by-design Survival Analysis Providing Multiple Complexity-Accuracy Trade-off Models
a Leiden University Medical Center, Leiden, The Netherlands;b Amsterdam University Medical Centers location Vrije Universiteit Amsterdam, Amsterdam, The Netherlands;c Cancer Center Amsterdam, Cancer Treatment;Quality of Life, Amsterdam, The Netherlands;d Centrum Wiskunde \& Informatica, Amsterdam, The Netherlands
本文提出 PISA 可解释生存分析流水线,通过多目标特征工程生成多种复杂度—性能权衡模型,并转化为 Kaplan-Meier 支持的患者分层流程图,在两个临床基准上达到最先进性能。
2025-09-13 cs.AI cs.LG stat.AP
A Hierarchical Spike-and-Slab Model for Pan-Cancer Survival Using Pan-Omic Data
泛组学,泛癌症分析推进了我们对癌症分子异质性的理解,扩展了单癌症或单组学研究的知识。然而,泛癌症、泛组学分析在其使用来自多个数据源的信息的能力方面受到限制(例如,组学平台)和多个样品组(例如,癌症类型)来预测重要的临床结果,如总生存期。我们解决了多个高维数据源和多个样本集的预测问题,通过使用BIDIFAC+的探索性结果,一种用于二维链接矩阵的综合降降维的方法,在预测模型中。我们应用贝叶斯分层模型,使用穗和板先验进行变量选择,修改允许跨聚类数据的信息借用。该方法用于使用来自29种癌症类型和4个组学来源的数据从癌症基因组图谱(TCGA)预测患者的总体存活率。我们的模型选择了由BIDIFAC+鉴定的变异模式,这些变异模式区分了具有显著不同生存结局的临床肿瘤亚型。我们还使用模拟来评估其变量选择精度和预测精度在不同的底层数据生成框架下的修改后的尖峰和板之前的性能。用于我们分析的软件和代码可以在https://github.com/sarahsamorodnitsky/HierarchicalSS_PanCanPanOmics/上找到。
2021-02-28 stat.AP
Quantifying uncertainty of individualized treatment effects in right-censored survival data: A comparison of Bayesian additive regression trees and causal survival forest
本文通过广泛的模拟研究,比较了在右删失生存数据中量化个体化处理效应不确定性时,贝叶斯加性回归树(BART)和因果生存森林(CSF)的区间估计覆盖率,发现BART在三种设置下均优于CSF。
2025-04-06 stat.AP stat.ME
A tractable Bayesian joint model for longitudinal and survival data
我们介绍了一个数值上易于处理的制定贝叶斯联合模型的纵向和生存数据。纵向过程采用广义线性混合模型建模,而生存过程采用参数化一般危险结构建模。这两个过程通过共享固定效应和随机效应而联系在一起,将在时间尺度上起作用的效应与影响危害尺度的效应分开。这种策略允许包括非线性和时间依赖性的影响,同时避免了需要数值积分,这有利于实施拟议的联合模型。我们探索使用灵活的参数分布建模的基线风险函数,可以捕捉在实践中感兴趣的基本形状。我们讨论的参数的解释的基础上事先启发。我们提出了一个广泛的模拟研究,我们分析了所提出的模型的推理性能,并说明了灵活性,样本量和审查之间的权衡。我们还将我们的建议应用到两个真实的数据应用中,以证明我们的配方在单变量时间事件数据和竞争风险框架中的适应性。该方法已在rstan中实施。
2021-04-22 stat.AP stat.CO stat.ME
Joint Modeling of Multiple Longitudinal Biomarkers and Survival Outcomes via Threshold Regression: Variability as a Predictor
本文提出贝叶斯联合模型,利用多个纵向生物标志物的变异性作为预测因子,通过阈值回归建模生存结局,并应用于SWAN数据研究FSH和AMH对FMP年龄的影响。
2025-03-31 stat.AP
Towards the use of multiple ROIs for radiomics-based survival modelling: finding a strategy of aggregating lesions
本文研究在影像组学生存建模中如何聚合多个病灶的ROI信息,提出特征向量聚合与风险评分聚合两类策略,并在115例非小细胞肺癌患者上验证纳入全部病灶可一致提升c-index。
2024-12-03 stat.AP
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
Joint Model for Survival and Multivariate Sparse Functional Data with Application to a Study of Alzheimer's Disease
阿尔茨海默病(AD)的研究通常收集多个纵向临床结果,这些结果与AD进展相关并可预测AD进展。研究结果与AD发作时间之间的关系具有重大的科学意义。我们将多个纵向结果建模为多变量稀疏函数数据,并提出了一个将多变量函数数据与事件时间数据联系起来的函数联合模型。特别是,我们提出了一个多变量函数混合模型(MFMM),以确定共享的进展模式和结果的特定进展模式的结果,这使得更多的解释建模的结果和AD发病之间的关联。所提出的方法被应用到阿尔茨海默病神经影像学倡议研究(ADNI)和功能关节模型揭示了新的光推理的五个纵向结果及其与AD发病的关联。仿真研究也证实了所提出的模型的有效性。
2020-12-03 stat.AP stat.CO stat.ME
A Multi-Omics Framework for Survival Mediation Analysis of High-Dimensional Proteogenomic Data
本文提出SMAHP方法,将加速失效时间模型引入多组学因果中介框架,可同时处理高维暴露和中介变量以识别影响生存的因果路径,并在头颈癌蛋白质组学数据中验证了其有效性。
2025-03-11 q-bio.QM stat.AP stat.ME
Fast and flexible inference for joint models of multivariate longitudinal and survival data using Integrated Nested Laplace Approximations
本文提出基于R-INLA的贝叶斯近似方法,加速多元纵向与生存数据联合模型的推断,减少计算负担和估计变异性,并成功应用于原发性胆汁性胆管炎临床试验中的多标记竞争风险分析。
2023-07-12 stat.AP stat.CO stat.ME
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
Deep Survival Machines: Fully Parametric Survival Regression and Representation Learning for Censored Data with Competing Risks
Carnegie Mellon University(卡内基梅隆大学)
我们描述了一种新的方法来估计相对风险的时间到事件的预测问题与删失数据在一个完全参数的方式。我们的方法不需要作出强有力的假设,恒定的比例风险的基本生存分布,所需的考克斯比例风险模型。通过联合学习输入协变量的深度非线性表示,我们通过在具有不同删失水平的多个真实世界数据集上进行广泛实验,证明了我们的方法在用于估计生存风险时的优势。我们进一步展示了我们的模型在竞争风险场景中的优势。据我们所知,这是第一个工作涉及完全参数估计的生存时间与竞争风险的存在删失。
2021-06-09 cs.LG stat.AP stat.ML
Semiparametric analysis of clustered interval-censored survival data using Soft Bayesian Additive Regression Trees (SBART)
流行的参数和半参数风险回归模型聚类生存数据是不合适的,不充分的未知影响不同的协变量和聚类是复杂的。这需要一个灵活的建模框架来产生有效的生存预测。此外,对于一些涉及至发生某些无症状事件的时间的生存期研究,生存期通常在连续临床检查之间进行间隔删失。在这篇文章中,我们提出了一个强大的半参数模型,用于贝叶斯集成学习范式下的聚类区间删失生存数据,称为软贝叶斯加性回归树或SBART(Linero和Yang,2018),它结合了多个稀疏(软)决策树,以获得出色的预测精度。我们开发了一种新的半参数风险回归模型,通过建模的风险函数作为一个产品的参数基线风险函数和非参数组件,使用SBART将聚类,未知的功能形式的主要影响,和各种协变量的相互作用的影响。除了适用于左删失,右删失和区间删失的生存数据,我们的方法是使用数据增强计划,允许现有的贝叶斯回拟合算法被使用。我们说明了我们的方法的实际实施和优势,通过模拟研究和分析的前列腺癌手术的研究,依赖于医生的经验和技能水平,导致集群的生存时间。最后,我们讨论了我们的方法的适用性,涉及高维数据与复杂的底层关联的研究。
2021-03-12 stat.AP
A Simultaneous Inference Procedure to Identify Subgroups from RCTs with Survival Outcomes: Application to Analysis of AMD Progression Studies
随着靶向治疗的采用,而不是“一刀切”的方法,现代随机临床试验(RCT)通常旨在开发针对一个亚组患者的治疗方法。通过分析老年性黄斑变性相关眼病研究(AREDS)数据,一项研究营养补充剂在延缓眼部疾病(年龄相关性黄斑变性(AMD))进展方面的疗效的大型RCT,我们开发了一种同步推理程序,以识别和推断RCT中具有不同治疗疗效的亚组。具体来说,我们制定了多重检验问题,通过对比,并建立其同时置信区间,控制内和跨标记的多重性适当。使用真实的基因型数据进行真实的模拟,以评估各种情况下的方法性能。然后将该方法应用于AREDS以评估抗氧化剂和锌组合在延迟AMD进展中的功效。已经鉴定了包括14号染色体上的ESRRB-VASH 1在内的多个基因区域,其中亚组显示出不同的功效。我们进一步验证了我们的研究结果在一个独立的后续RCT,AREDS 2,通过发现一致的差异治疗反应的目标和非目标亚组已确定从AREDS。这种同时推理方法为在现代药物开发中自信地识别和推断亚组提供了一个步骤。
2020-03-23 stat.AP
Tutorial on survival modeling with applications to omics data
本文提出适用于高维组学数据的通用生存分析流程,重点介绍 Cox 型惩罚回归与分层贝叶斯特征选择模型,并提供基于 TCGA 数据的 R 教程。
2024-03-04 q-bio.GN stat.AP
Multimodal fusion using sparse CCA for breast cancer survival prediction
University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);IBM Research(IBM研究院);VinUniversity(文大)
有效理解癌症等疾病需要融合多模态数据在物理尺度上捕获的多个信息源。在这项工作中,我们提出了一种新的特征嵌入模块,来自典型的相关性分析,占模态内和模态间的相关性。模拟和真实数据上的实验证明了我们提出的模块如何学习相关性良好的多维嵌入。这些嵌入在TCGA-BRCA乳腺癌患者的一年生存分类中表现出竞争力,在5倍交叉验证下,平均F1评分高达58.69%。
2021-03-09 cs.LG eess.SP q-bio.GN