MATCH-Net：基于卷积神经网络的生存分析动态预测
机器学习
2018-11-28 v1 机器学习
摘要
准确预测疾病轨迹对于高危患者的早期识别和及时治疗至关重要。传统的生存分析方法常受限于强参数假设，且从高维数据中学习的能力有限，而现有的神经网络模型不易适应纵向设定。本文提出了一种解决上述缺陷的新型卷积方法。我们提出 MATCH-Net：一种缺失感知的时间卷积击中时间网络（Missingness-Aware Temporal Convolutional Hitting-time Network），旨在捕捉协变量轨迹与缺失模式中的时间依赖性与异质交互。据我们所知，这是首个在个性化风险预后的动态预测背景下研究时间卷积的工作。利用来自阿尔茨海默病神经影像倡议（Alzheimer's Disease Neuroimaging Initiative）的真实世界数据，我们展示了最优性能，且不对潜在的纵向或时间至事件过程做任何假设，证明了该模型在临床决策支持中的潜在效用。
引用
@article{arxiv.1811.10746,
title = {MATCH-Net: Dynamic Prediction in Survival Analysis using Convolutional Neural Networks},
author = {Daniel Jarrett and Jinsung Yoon and Mihaela van der Schaar},
journal= {arXiv preprint arXiv:1811.10746},
year = {2018}
}
备注
Machine Learning for Health (ML4H) Workshop at NeurIPS 2018 arXiv:1811.07216