基于深度学习的离散校准生存预测
机器学习
2022-09-01 v1 人工智能
摘要
用于生存预测的深度神经网络在区分度（即根据患者事件发生时间排序）上优于经典方法。相反，诸如 Cox 比例风险模型之类的经典方法表现出更好的校准度，即对底层分布事件的正确时间预测。尤其在医疗领域，预测单个患者的生存至关重要，区分度和校准度都是重要的性能指标。在此我们提出离散校准生存（Discrete Calibrated Survival, DCS），一种用于有区分且校准的生存预测的新型深度神经网络，其在三个医疗数据集上的区分度优于竞争的生存模型，同时在所有离散时间模型中取得最佳校准度。DCS 性能的提升可归因于两个新特性：可变的时间输出节点间距以及优化未删失和删失患者数据使用的新损失项。我们认为 DCS 是朝着具有最先进区分度和良好校准度的基于深度学习的生存预测临床应用迈出的重要一步。
引用
@article{arxiv.2208.08182,
title = {Deep Learning-Based Discrete Calibrated Survival Prediction},
author = {Patrick Fuhlert and Anne Ernst and Esther Dietrich and Fabian Westhaeusser and Karin Kloiber and Stefan Bonn},
journal= {arXiv preprint arXiv:2208.08182},
year = {2022}
}
备注
Accepted as a short conference paper at ICDH 2022