扩展神经加性模型以结合电子健康记录数据进行生存分析
机器学习
2022-11-18 v2
摘要
随着将机器学习应用于开发医疗解决方案的兴趣日益增长，人们希望创建可解释的深度学习模型用于生存分析。在本文中，我们通过引入成对特征交互网络来扩展神经加性模型（Neural Additive Model, NAM），并为这些模型配备适用于 Cox 模型的比例与非比例扩展的损失函数。我们展示了在这一扩展框架内，我们可以构建非比例风险模型，称之为 TimeNAM，其在基准生存数据集上的性能显著优于标准 NAM 模型架构。我们将这些模型架构应用于首尔大学医院江南中心（SNUHGC）电子健康记录（EHR）数据库的数据，以构建用于胃癌预测的可解释神经网络生存模型。我们证明，在基准生存分析数据集以及我们的胃癌数据集上，我们的模型架构所取得的性能与当前最先进的黑盒方法相当或更优。
引用
@article{arxiv.2211.07814,
title = {Extending the Neural Additive Model for Survival Analysis with EHR Data},
author = {Matthew Peroni and Marharyta Kurban and Sun Young Yang and Young Sun Kim and Hae Yeon Kang and Ji Hyun Song},
journal= {arXiv preprint arXiv:2211.07814},
year = {2022}
}
备注
Extended Abstract presented at Machine Learning for Health (ML4H) symposium 2022, November 28th, 2022, New Orleans, United States & Virtual, http://www.ml4h.cc, 14 pages