群体DeepSurv:群体智能推进了四种固体癌症中预后放射学签名的深度生存网络

科学领域:

• 计算生物学是一种计算生物学.
• 生物统计学 生物统计学
• 机器学习在医疗保健中的应用

背景情况:

• 生存模型对于分析生物标志物和治疗效果关系至关重要.
• 深度学习生存模型的表现优于经典的考克斯比例危险 (CoxPH),但由于噪音,他们难以处理高维数据.
• 高维数据集中的无关或冗余特征阻碍了深度生存模型的性能.

研究的目的:

• 介绍SwarmDeepSurv,一种结合群体智能和深度生存模型的新方法.
• 在高维数据上解决深度生存模型的性能退化问题.
• 在生存分析中优化预后预测和特征选择.

主要方法:

• 通过将群体智能算法与深度生存模型集成,开发了SwarmDeepSurv.
• 设计了四个目标功能,以平衡预后准确性和特征规范化.
• 在多中心数据集上验证了该模型,包括四种癌症类型的1,058名患者.

主要成果:

• 与现有的生存算法相比,SwarmDeepSurv显示了降低过拟合和优越的患者风险分层.
• 该模型有效地处理了高维放射学特征,用于生存终点预测.
• 值得注意的是,与LASSO等经典方法相比,SwarmDeepSurv发现了不同的特征,其重叠最小.

结论:

• SwarmDeepSurv为模拟放射特征和生存结果之间的关系提供了一个强大的替代方案.
• 该方法显示了扩展到包括基因组学在内的其他数据类型的潜力.
• 这种方法改善了复杂的生存数据分析中的预后预测和特征选择.