带惩罚的深度部分线性 Cox 模型及其在肺癌患者 CT 扫描中的应用
机器学习
2023-10-03 v3 机器学习
图像与视频处理
摘要
肺癌是全球癌症死亡的主要原因，凸显了理解其死亡风险以设计有效以患者为中心疗法的重要性。国家肺癌筛查试验（NLST）采用计算机断层扫描纹理分析，提供 CT 扫描上纹理模式的客观测量，以量化肺癌患者的死亡风险。部分线性 Cox 模型通过将风险函数分解为参数与非参数分量，在统一框架内有效纳入既有风险因素（如年龄与临床变量）与新兴风险因素（如图像特征），已在生存分析中广受欢迎。然而，当参数分量维度超过样本量时，模型拟合任务变得艰巨，而非参数建模则受维数灾难困扰。我们提出一种新颖的惩罚深度部分线性 Cox 模型（Penalized DPLC），其引入 SCAD 惩罚以筛选重要纹理特征，并采用深度神经网络估计模型的非参数分量。我们证明了估计量的收敛性与渐近性质，并通过大量模拟研究将其与其他方法比较，评估其在风险预测与特征选择上的表现。所提方法应用于 NLST 研究数据集，以揭示关键临床与影像风险因素对患者生存的影响。我们的发现为这些因素与生存结局间关系提供了宝贵见解。
引用
@article{arxiv.2303.05341,
title = {Penalized Deep Partially Linear Cox Models with Application to CT Scans of Lung Cancer Patients},
author = {Yuming Sun and Jian Kang and Chinmay Haridas and Nicholas R. Mayne and Alexandra L. Potter and Chi-Fu Jeffrey Yang and David C. Christiani and Yi Li},
journal= {arXiv preprint arXiv:2303.05341},
year = {2023}
}