面向生存分析的嵌入方法以提升复杂数据结构的可及性
机器学习
2021-11-04 v2
摘要
深度学习在非结构化数据分析方面表现出色，近期的进展使得这些技术可扩展至生存分析。在临床放射学背景下，这能够例如将非结构化体素图像与风险评分或预期寿命预后相关联，并支持临床决策。然而，医疗应用具有高度关键性，因此医务人员与患者通常都不接受黑箱模型作为决策的理由或依据。除对新技术的抵触外，这归因于许多机器学习方法缺乏可解释性、透明性与可问责性。我们提出了一种风险正则化变分自编码器，可在生存分析这一医疗高度相关领域中支持对深度神经架构的直接解释。我们将所提方法应用于肝癌患者的腹部 CT 扫描及其对应生存时间。
引用
@article{arxiv.2110.11303,
title = {Survival-oriented embeddings for improving accessibility to complex data structures},
author = {Tobias Weber and Michael Ingrisch and Matthias Fabritius and Bernd Bischl and David Rügamer},
journal= {arXiv preprint arXiv:2110.11303},
year = {2021}
}
备注
NeurIPS 2021 Workshop, Bridging the Gap: From Machine Learning Research to Clinical Practice