FastCPH：面向神经网络的高效生存分析方法
机器学习
2022-08-23 v1 人工智能
应用统计
摘要
Cox比例风险模型是生存分析中用于根据临床或遗传协变量预测患者预期寿命的经典方法——其原始形式为线性模型。近年来，已有若干方法被提出以将Cox模型推广到神经网络，但这些方法要么数值不正确，要么计算效率低。我们提出FastCPH，一种以线性时间运行并支持标准Breslow和Efron结事件处理方法的新方法。我们还在生存数据集上展示了FastCPH与LassoNet（一种通过特征稀疏性提供可解释性的神经网络）结合的性能。最终流程高效、能选择有用协变量，并且优于现有的CoxPH方法。
引用
@article{arxiv.2208.09793,
title = {FastCPH: Efficient Survival Analysis for Neural Networks},
author = {Xuelin Yang and Louis Abraham and Sejin Kim and Petr Smirnov and Feng Ruan and Benjamin Haibe-Kains and Robert Tibshirani},
journal= {arXiv preprint arXiv:2208.09793},
year = {2022}
}