一种具有非比例风险特性的联邦Cox模型
机器学习
2022-07-12 v1 机器学习
摘要
近期研究表明，神经网络有潜力改进诸如Cox模型等经典生存模型，后者在临床实践中被广泛使用。然而，神经网络通常依赖于集中可用的数据，而医疗数据往往保存在安全的数据孤岛中。我们提出一种联邦Cox模型，既适应此种数据环境，又放宽了比例风险假设，允许时变协变量效应。在后一方面，我们的模型无需显式指定时变效应，与先前工作相比降低了前期组织成本。我们使用公开可用的临床数据集进行实验，并证明该联邦模型能够达到与标准模型相当的性能。
引用
@article{arxiv.2207.05050,
title = {A Federated Cox Model with Non-Proportional Hazards},
author = {Dekai Zhang and Francesca Toni and Matthew Williams},
journal= {arXiv preprint arXiv:2207.05050},
year = {2022}
}
备注
Accepted for publication in Multimodal AI in Healthcare: A Paradigm Shift in Health Intelligence as part of the book series Studies in Computational Intelligence by Springer