基于深度神经网络的加速失效时间模型,使用等级损失模型
Gwangsu Kim1,2, Jeongho Park3, Sangwook Kang3,4
1Department of Statistics (Research Institute of Materials and Energy Sciences), Jeonbuk National University, Jeonju, Republic of Korea.
Statistics in medicine
|October 12, 2024
概括
深度神经网络 (DNN) 通过解决非线性预测器来增强加速失效时间 (AFT) 模型. 拟议的DeepR-AFT模型在生存数据分析中提供了卓越的性能,特别是在复杂的关系中.
科学领域:
- 生物统计学和生存分析
- 医疗保健中的机器学习
- 统计建模 统计建模
背景情况:
- 加速失效时间 (AFT) 模型与基于危险的生存模型相比,提供了直观的协变量解释.
- 半参数 AFT 模型通过不假定特定错误分布来提供灵活性,从而使它们具有稳定性.
- 现有的AFT模型通常假定线性预测器,限制它们在故障时间数据中捕捉复杂关系的能力.
研究的目的:
- 提出一种新的深度神经网络 (DNN) 方法来适应加速失效时间 (AFT) 模型.
- 调查基于DNN的AFT模型的性能,称为DeepR-AFT,特别是在具有非线性预测器的场景中.
- 将DeepR-AFT模型与传统的参数和半参数AFT模型进行比较.
主要方法:
- 深度神经网络 (DNN) 的应用,以适应 AFT 模型.
- 利用Gehan类型的损失函数与模型训练的分样采样技术相结合.
- 广泛的模拟研究来评估有限样本特性和DeepR-AFT模型的比较性能.
主要成果:
- 与参数和半参数 AFT 模型相比,DeepR-AFT 模型在预测器关系非线性时表现出更高的性能.
- 对于线性预测器,DeepR-AFT显示性能有所改善,特别是在高维共变量设置中.
- 使用三个现实世界数据集验证拟议模型的有效性.
结论:
- 深度神经网络为扩展AFT模型以处理非线性预测效应提供了一个强大的工具.
- DeepR-AFT模型代表了生存数据分析的重大进步,提供了更高的准确性和灵活性.
- 提出的方法在生存分析中对非线性和高维线性预测场景都有效.
