DeepPAMM：用于生存分析中复杂风险结构的深度分段指数加性混合模型
机器学习
2022-02-16 v1 机器学习
摘要
生存分析（SA）是一个关注时间-事件结局的活跃研究领域，广泛应用于众多领域，尤其是生物医学应用。尽管十分重要，SA仍因小规模数据集和由截断与删失过程掩盖的复杂结局分布而具挑战性。分段指数加性混合模型（PAMM）是一类应对诸多此类挑战的模型，但PAMM不适用于高维特征设定或非结构化或多模态数据的情况。我们通过提出DeepPAMM统一现有方法，这是一个从统计学视角根基扎实且具备足够灵活性以建模复杂风险结构的通用深度学习框架。我们通过基准实验和一项扩展案例研究说明，DeepPAMM在预测性能上与其他机器学习方法相当，同时保持可解释性。
引用
@article{arxiv.2202.07423,
title = {DeepPAMM: Deep Piecewise Exponential Additive Mixed Models for Complex Hazard Structures in Survival Analysis},
author = {Philipp Kopper and Simon Wiegrebe and Bernd Bischl and Andreas Bender and David Rügamer},
journal= {arXiv preprint arXiv:2202.07423},
year = {2022}
}
备注
13 pages, 2 figures, This work has been accepted by the 26th Pacific-Asia Conference on Knowledge Discovery and Data Mining (PAKDD2022)