ResSurv：基于残差网络的癌症生存分析预测模型

生存预测是癌症预后分析的一个重要分支。通过 TCGA 基因组数据预测生存风险的模型可以发现与癌症相关的基因，并基于患者特征提供诊断和治疗建议。我们发现，基于比例风险比（Cox proportional hazards）的深度学习模型在处理高通量数据时常常会出现过拟合问题。此外，我们发现随着网络层数的增加，实验结果并未得到改善，反而出现网络退化现象。基于此问题，我们提出了一个基于深度残差学习的新框架，将比例风险比和残差的思想相结合，命名为 ResSurv。首先，ResSurv 是一个由多个基本 ResNet 块堆叠而成的前馈深度学习网络。在每个 ResNet 块中，我们添加了归一化层，以防止梯度消失和梯度爆炸。其次，对于神经网络的损失函数，我们继承了比例风险比方法，将该模型的半参数方法应用于神经网络，结合部分似然模型，建立损失函数，并进行反向传播和梯度更新。最后，我们比较了不同深度的 ResSurv 网络，发现能够有效提取高维特征。消融实验和比较实验表明，我们的模型在深度学习领域达到了 SOTA（state of the art），并且能够有效提取深层信息。