CenTime:生存分析中删失的事件条件建模
机器学习
2024-01-11 v3 计算机视觉与模式识别
摘要
生存分析是一种基于基线观测估计直至特定事件(如死亡或癌症复发)发生时间的宝贵工具。这在医疗健康中尤为有用,可根据患者数据对临床重要事件进行预后预测。然而,现有方法常有局限:部分仅关注按生存能力对患者排序,忽略对实际事件时间的估计;另一些则将问题视为分类任务,忽视事件固有的时间有序结构。此外,有效利用删失样本——即确切事件时间未知的的训练数据点——对提升模型预测精度至关重要。本文提出 CenTime,一种直接估计事件时间的生存分析新方法。我们的方法具有创新的事件条件删失机制,即便在未删失数据稀缺时也能稳健表现。我们证明即便缺乏未删失数据,该方法也能形成事件模型参数的一致估计量。此外,CenTime 易于与深度学习模型集成,对批量大小或未删失样本数量无限制。我们将本方法与包括 Cox 比例风险模型和 DeepHit 在内的标准生存分析方法比较。结果表明,CenTime 在预测死亡时间上达到最先进性能,同时保持可比的排序表现。我们的实现公开于 https://github.com/ahmedhshahin/CenTime。
引用
@article{arxiv.2309.03851,
title = {CenTime: Event-Conditional Modelling of Censoring in Survival Analysis},
author = {Ahmed H. Shahin and An Zhao and Alexander C. Whitehead and Daniel C. Alexander and Joseph Jacob and David Barber},
journal= {arXiv preprint arXiv:2309.03851},
year = {2024}
}