ResDeepSurv:基于残留块和自我注意力机制的深度神经网络的生存模型

科学领域:

• 医学研究 医学研究
• 生物统计学 生物统计学
• 机器学习是机器学习.

背景情况:

• 在医学中,生存分析对于了解疾病进展和治疗有效性至关重要.
• 像考克斯回归这样的传统模型往往需要广泛的特征工程或先前知识.
• 个性化医学需要能够捕捉复杂的共同变量-结果关系的模型.

研究的目的:

• 提出一种新的基于残留的自我注意深度神经网络,用于生存建模,名为ResDeepSurv.
• 开发一个模拟生存时间分布和共同变量相关性的模型,没有严格的分布假设.
• 为传统的生存分析方法提供强大的替代方案,增强个性化医疗.

主要方法:

• 开发了ResDeepSurv,一个深度神经网络,将自我注意力机制与考克斯回归原理相结合.
• 该模型模拟了生存时间分布和共变结果相关性,适应线性和非线性风险函数.
• 在多个公开可用的临床数据集上验证的性能.

主要成果:

• 在各种风险功能中,ResDeepSurv表现出与现有的生存分析方法相当或优于现有的生存分析方法的性能.
• 该模型有效地捕捉了共变量和生存结果之间的复杂关系.
• 通过对不同临床数据集的评估来验证卓越的性能.

结论:

• ResDeepSurv在生存分析方面被证明是有效的,为传统方法提供了一个有希望的替代方案.
• 该模型能够处理复杂的数据而不需要广泛的功能工程,支持个性化医疗.
• 通过提供准确的生存预测,ResDeepSurv增强了临床决策.