基于区间封闭数据的常微分方程神经网络 ICODEN
机器学习
2026-02-12 v1 定量方法
机器学习
摘要
当事件时间被区间封闭时，预测时间到事件的结果具有挑战性，因为事件的确切时间不可观测。许多现有的区间封闭数据生存分析方法依赖于强模型假设，或无法处理高维预测变量。我们发展了 ICODEN，一种针对区间封闭数据的常微分方程（ODE）神经网络，模型化通过深度神经网络表示的危害函数，并通过求解常微分方程获得累积危害。ICODEN 不需要比例危害假设或预先指定的危害函数的参数形式，从而允许灵活的生存建模。在比例或非比例危害以及线性和非线性协变量效应的各种仿真设置下，ICODEN 始终实现满意的预测准确性，并且在预测变量数量增加时保持稳定。应用于阿尔茨海默病疾病神经影像计划（ADNI）多个阶段的数据，以及两个与年龄相关眼部疾病研究（AREDS 和 AREDS2）中年龄相关黄斑变性（AMD）的数据，均显示 ICODEN 在高维生物医学环境中具有稳健的预测性能。在这两个应用中，预测时间到 AMD 或时间到晚期 AMD 时，ICODEN 有效地利用了数百个到超过 1000 个单核多态性（SNP）信号，并支持基于差异 progression 风险轮廓的数据驱动子群识别。这些结果表明 ICODEN 是一个实用的、较少依赖假设的工具，可用于高维生物医学环境中区间封闭生存数据的预测。
引用
@article{arxiv.2602.10303,
title = {ICODEN: Ordinary Differential Equation Neural Networks for Interval-Censored Data},
author = {Haoling Wang and Lang Zeng and Tao Sun and Youngjoo Cho and Ying Ding},
journal= {arXiv preprint arXiv:2602.10303},
year = {2026}
}