Deep conditional transformation models for survival analysis

要約

ますます多くの臨床試験が、イベントまでの時間の結果を特徴とし、磁気共鳴画像や電子健康記録の形式のテキスト データなど、表形式ではない患者データを記録します。
最近、いくつかのニューラル ネットワーク ベースのソリューションが提案されており、そのうちのいくつかはバイナリ分類器です。
生存時間と打ち切り状態を最大限に活用するパラメトリックで分布のないアプローチは、あまり注目されていません。
パラメトリックおよびセミパラメトリック生存分析への統一的なアプローチとして、生存結果の深い条件付き変換モデル (DCTM) を提示します。
DCTM では、表形式データと非表形式データの両方に対して非線形および非比例ハザードを指定でき、すべてのタイプの打ち切りと切り捨てに拡張できます。
実際のデータと半合成データでは、DCTM が生存分析に対する最先端の DL アプローチと競合することを示しています。

要約(オリジナル)

An every increasing number of clinical trials features a time-to-event outcome and records non-tabular patient data, such as magnetic resonance imaging or text data in the form of electronic health records. Recently, several neural-network based solutions have been proposed, some of which are binary classifiers. Parametric, distribution-free approaches which make full use of survival time and censoring status have not received much attention. We present deep conditional transformation models (DCTMs) for survival outcomes as a unifying approach to parametric and semiparametric survival analysis. DCTMs allow the specification of non-linear and non-proportional hazards for both tabular and non-tabular data and extend to all types of censoring and truncation. On real and semi-synthetic data, we show that DCTMs compete with state-of-the-art DL approaches to survival analysis.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google