具有生存监督的神经主题模型：联合预测事件发生时间结局并学习临床特征间关联
机器学习
2024-06-06 v2 机器学习
摘要
我们提出一个神经网络框架，用于学习生存模型以预测事件发生时间结局，同时学习揭示特征关联的主题模型。具体而言，我们将每个受试者建模为关于“主题”的一个分布，其中主题可例如对应于年龄组、障碍或疾病。主题在受试者中的存在意味着特定临床特征更可能在该受试者中出现。主题编码有关相关特征的信息，并以有监督方式学习以预测事件发生时间结局。我们的框架支持组合许多不同的主题与生存模型；使用带有小批量梯度下降的标准神经网络优化器训练所得联合生存-主题模型可轻松扩展至大型数据集。例如，一个特例是将 LDA 与 Cox 模型结合，此时受试者关于主题的分布作为 Cox 模型的输入特征向量。我们解释如何应对将这些神经生存监督主题模型应用于临床数据时出现的实际实现问题，包括如何可视化结果以辅助临床解释。我们在七个临床数据集上研究了所提框架在预测至死亡时间及医院 ICU 住院时长方面的有效性，发现神经生存监督主题模型在取得与现有方法相当精度的同时，产生可解释且说明特征关联的临床主题。我们的代码见：https://github.com/georgehc/survival-topics
引用
@article{arxiv.2007.07796,
title = {Neural Topic Models with Survival Supervision: Jointly Predicting Time-to-Event Outcomes and Learning How Clinical Features Relate},
author = {George H. Chen and Linhong Li and Ren Zuo and Amanda Coston and Jeremy C. Weiss},
journal= {arXiv preprint arXiv:2007.07796},
year = {2024}
}
备注
Accepted at the Artificial Intelligence in Medicine journal; preliminary conference version (see earlier arXiv draft) appeared in the International Conference on Artificial Intelligence in Medicine (AIME 2020)