一种用于精准治疗推荐的深度主动生存分析方法：在前列腺癌中的应用
机器学习
2018-08-13 v1 计算机与社会
机器学习
摘要
生存分析已在制造、金融、经济与医疗等多个领域得到发展与应用。在医疗领域，临床数据通常具有高维、稀疏且复杂的特点，且有时仅存在少量事件发生时间（已标注）样本。因此，从电子健康记录中构建准确的生存模型颇具挑战。基于此动机，我们针对该问题提出了一种利用深度学习与主动学习并结合新颖采样策略的新生存分析框架。首先，我们的方法利用已标注（事件发生时间）与未标注（删失）样本从临床特征中提取出维度更低的更好表示，随后通过使用 oracle 标注删失数据来主动训练生存模型。作为一种临床辅助工具，我们基于该生存模型提出了一种简单有效的治疗推荐方法。在实验研究中，我们将该方法应用于与非洲裔美国人和白人患者前列腺癌相关的 SEER-Medicare 数据。结果表明，我们的方法显著优于基线模型。
引用
@article{arxiv.1804.03280,
title = {A Deep Active Survival Analysis Approach for Precision Treatment Recommendations: Application of Prostate Cancer},
author = {Milad Zafar Nezhad and Najibesadat Sadati and Kai Yang and Dongxiao Zhu},
journal= {arXiv preprint arXiv:1804.03280},
year = {2018}
}