肿瘤学个性化预后模型：一种机器学习方法
应用统计
2016-06-24 v1 机器学习
机器学习
摘要
我们对美国国家癌症研究所（NCI）公开的监测、流行病学和最终结果（SEER）数据的子集应用了一种鲜为人知的数据变换，使其成为标准机器学习分类器的合适输入。该变换正确处理了 SEER 数据中的右删失数据，所得的随机森林和多层感知器模型能够预测完整的生存曲线。将所得生存曲线的 6、12 和 60 个月点视为 3 个二分类器，所得的 18 个分类器的 AUC 值范围在 0.765 到 0.885 之间。随机森林和神经网络模型在 6、12 和 60 个月二分类器上的预测结果具有极高的一致性，这进一步证明了模型在训练数据上具有良好的泛化能力。
引用
@article{arxiv.1606.07369,
title = {Personalized Prognostic Models for Oncology: A Machine Learning Approach},
author = {David Dooling and Angela Kim and Barbara McAneny and Jennifer Webster},
journal= {arXiv preprint arXiv:1606.07369},
year = {2016}
}
备注
28 pages, 3 figures