DeepSurv：基于 Cox 比例风险深度神经网络的个性化治疗推荐系统
机器学习
2018-03-09 v3 神经与进化计算
摘要
医学从业者使用生存模型来探索和理解患者协变量（如临床和遗传特征）与各种治疗方案有效性之间的关系。标准的生存模型，如线性 Cox 比例风险模型，需要大量的特征工程或先验医学知识才能在个体层面建模治疗交互作用。虽然非线性生存方法，如神经网络和生存森林，可以内在地建模这些高阶交互项，但它们尚未被证明是有效的治疗推荐系统。我们引入了 DeepSurv，一种 Cox 比例风险深度神经网络和最先进的生存方法，用于建模患者协变量与治疗效果之间的交互作用，以提供个性化的治疗推荐。我们在模拟和真实生存数据上进行了大量实验来训练 DeepSurv。我们证明 DeepSurv 的表现与其他最先进的生存模型相当或更好，并验证了 DeepSurv 成功地建模了患者协变量与其失效风险之间日益复杂的关系。然后，我们展示了 DeepSurv 如何建模患者特征与不同治疗方案有效性之间的关系，以说明 DeepSurv 如何用于提供个体化治疗推荐。最后，我们在真实的临床研究上训练 DeepSurv，以证明其个性化治疗推荐将如何延长一组患者的生存时间。DeepSurv 的预测和建模能力将使医学研究人员能够将深度神经网络用作探索、理解和预测患者特征对其失效风险影响的工具。
引用
@article{arxiv.1606.00931,
title = {DeepSurv: Personalized Treatment Recommender System Using A Cox Proportional Hazards Deep Neural Network},
author = {Jared Katzman and Uri Shaham and Jonathan Bates and Alexander Cloninger and Tingting Jiang and Yuval Kluger},
journal= {arXiv preprint arXiv:1606.00931},
year = {2018}
}
备注
Presented at the International Conference of Machine Learning Computational Biology Workshop 2016