一种用于神经网络的可扩展离散时间生存模型
机器学习
2020-02-12 v3 计算机与社会
机器学习
摘要
目前，将神经网络应用于医学预测任务备受关注。预测模型能够使用生存数据非常重要，其中每位患者都有已知的随访时间和事件/删失指示符。这避免了模型训练时的信息损失，并能够生成预测的生存曲线。在本文中，我们描述了一种设计用于神经网络的离散时间生存模型，我们将其称为 Nnet-survival。该模型使用小批量随机梯度下降 (SGD) 通过最大似然法进行训练。SGD 的使用实现了快速收敛，并可应用于无法装入内存的大型数据集。该模型具有灵活性，因此基准危险率和输入数据对危险概率的影响可随随访时间而变化。它已在 Keras 深度学习框架中实现，模型和几个示例的源代码可在线获取。我们在模拟数据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。
引用
@article{arxiv.1805.00917,
title = {A Scalable Discrete-Time Survival Model for Neural Networks},
author = {Michael F. Gensheimer and Balasubramanian Narasimhan},
journal= {arXiv preprint arXiv:1805.00917},
year = {2020}
}