用于预测癌症预后的深度半监督生存分析
机器学习
2026-01-29 v1
摘要
Cox比例风险（PH）模型广泛用于生存分析。近年来，基于人工神经网络（ANN）的Cox-PH模型已被开发出来。然而，使用高维特征训练这些Cox模型通常需要大量包含事件时间信息的标记样本。用于训练的标记数据有限，常常限制基于ANN的Cox模型的性能。为了解决这个问题，我们采用深度半监督学习（DSSL）方法，基于Mean Teacher（MT）框架开发了单模态和多模态的基于ANN的Cox模型，该框架利用标记和未标记数据进行训练。我们将名为Cox-MT的模型应用于使用癌症基因组图谱（TCGA）数据预测几种类型癌症的预后。我们的单模态Cox-MT模型，利用TCGA RNA-seq数据或全切片图像，在考虑的四类癌症中，使用相同数据集，显著优于现有的基于ANN的Cox模型Cox-nnet。随着未标记样本数量的增加，在给定标记数据集的情况下，Cox-MT的性能显著提高。此外，我们的多模态Cox-MT模型表现出比单模态模型更好的性能。总之，与仅使用标记数据训练的现有基于ANN的Cox模型相比，Cox-MT模型有效利用标记和未标记数据，显著提高了预测准确性。
引用
@article{arxiv.2601.20729,
title = {Deep Semi-Supervised Survival Analysis for Predicting Cancer Prognosis},
author = {Anchen Sun and Zhibin Chen and Xiaodong Cai},
journal= {arXiv preprint arXiv:2601.20729},
year = {2026}
}