Modeling Bladder Cancer Recurrence: A Comparative Evaluation of LSTM, Transformer, and Mamba
机器学习
2024-07-22 v2 统计方法学
机器学习
摘要
传统的生存分析方法在处理复杂的时间依赖数据时常常难以充分捕捉和解释动态特征。本研究旨在评估三种长序列模型——LSTM、Transformer 和 Mamba——在分析复发事件数据并将其集成到 Cox 比例风险模型中的性能。该研究将深度学习模型处理长序列数据的优势与 Cox 比例风险模型相结合，以提升分析具有动态时间信息的复发事件的性能。此外，本研究比较了不同模型从时间依赖性临床复发数据中提取和利用特征的能力。LSTM-Cox 模型在预测准确性和模型拟合度方面优于 Transformer-Cox 和 Mamba-Cox 模型，在测试集上达到最高 Concordance index 为 0.90。识别出诸如治疗停止时间、复发时最大肿瘤大小及复发频率等复发血尿癌的显著预测因子。LSTM-Cox 模型与临床结果良好，能够有效区分高危和低危患者群体。这一研究表明，LSTM-Cox 模型是一种稳健且高效的 Recurrent 数据分析和特征提取方法，超越了 Transformer 和 Mamba 等较新模型。它为将深度学习技术集成到临床风险预测系统中提供了实用方法，从而改善患者管理和治疗结果。
引用
@article{arxiv.2405.18518,
title = {Modeling Long Sequences in Bladder Cancer Recurrence: A Comparative Evaluation of LSTM,Transformer,and Mamba},
author = {Runquan Zhang and Jiawen Jiang and Xiaoping Shi},
journal= {arXiv preprint arXiv:2405.18518},
year = {2024}
}