动态事件时间数据的多任务Logistic生存预测方法

发布时间：2022-02-26 18:43

　　事件时间数据广泛存在于临床医学研究领域,包含大量复杂的随时间变化的动态风险因子变量。为了对这些动态事件时间数据进行有效分析,克服生存模型参数假设的局限性,提出了一种多任务Logistic生存学习和预测方法。将生存预测转化为一系列不同时间点的多任务二元生存分类问题,利用动态风险因子变量的全部观测值估计累积风险。通过对事件样本和删失样本的全数据学习正则化Logistic回归参数。评估风险因子与事件时间的动态关系,根据生存概率估计事件时间。在多个实际临床数据集上开展的对比实验验证了提出的多任务预测方法对于动态数据不仅具有较强的适用性,而且能够保障预测结果的准确性和可靠性。 

【文章来源】：计算机应用. 2020,40(05)北大核心CSCD

【文章页数】：7 页

【文章目录】：
0 引言
1 生存预测
    1.1 事件时间数据
    1.2 动态事件时间数据
    1.3 Logistic生存函数
2 多任务Logistic事件时间预测
    2.1 风险累积Logistic生存函数
    2.2 多任务生存学习
    2.3 正则化系数选择
    2.4 事件时间预测
    2.5 模型分析
3 实验
    3.1 实验数据及预处理
    3.2 对比模型
    3.3 评价指标
    3.4 结果与分析
        3.4.1 生存预测结果对比
        3.4.2 生存概率曲线对比
        3.4.3 模型效率对比
4 结语


【参考文献】：
期刊论文
[1]深度学习在肺癌患者生存预测中的应用研究[J]. 潘浩,王昭,姚佳文.  计算机工程与应用. 2018(14)
[2]基于复杂网络结合生存分析的中医药治疗肺癌的核心有效处方的发现研究[J]. 杨铭,李嘉旗,焦丽静,陈佩奇,许玲.  中国中药杂志. 2015(22)



本文编号：3644918