深门神经网络与自我注意力机制,用于生存分析

科学领域:

• 生物统计学 生物统计学
• 机器学习 机器学习
• 医疗信息学 医疗信息学

背景情况:

• 生存分析模型事件的发生,通常依赖于像比例危险这样的限制性假设.
• 现有的方法可能无法完全捕捉共变效应中的时间模式,从而限制了预测性能.

研究的目的:

• 提出一个新的框架,SA-DGNet,用于生存分析,克服传统方法的局限性.
• 通过结合时间依赖和非线性协变量效应,提高单一和竞争性风险的风险预测.

主要方法:

• 开发了一个具有自我注意机制 (SA-DGNet) 的深封闭神经网络.
• 将生存分析转化为时间序列预测问题,将时间视为输入共变量.
• 集成的多尺度时间意识和缩放的点产品自我注意力,以改善数据感知.

主要成果:

• 与现实世界数据集上的最先进方法相比,SA-DGNet表现出更高的性能.
• 该框架有效地模拟了依赖时间和非线性协变量效应,没有分布假设.
• 在生存分析和风险预测方面取得了重大改进.

结论:

• 封闭神经网络和自我注意力机制在生存分析中显示出显著的潜力.
• SA-DGNet提供了一种有效的风险预测方法,使用结构化数据,特别是在医疗应用中.
• 拟议的方法通过消除传统假设并捕捉复杂的时间动态来推进该领域.