ICTSurF: Implicit Continuous-Time Survival Functions with Neural Networks

要約

生存分析は、時間の経過に伴うイベントの可能性を予測するための広く知られた方法です。
検閲されたサンプルを扱うという課題は依然として残っています。
コックス比例ハザード (CPH) モデルなどの従来の手法は、比例ハザードの強い仮定と共変量間の所定の関係による制限に左右されます。
ディープ ニューラル ネットワーク (DNN) に基づくモデルの台頭により、生存分析における有効性の向上が実証されました。
この研究では、連続時間生存モデルに基づいて構築された暗黙的連続時間生存関数 (ICTSurF) を導入し、陰的表現を通じて生存分布を構築します。
その結果、私たちの方法は、ニューラル ネットワーク アーキテクチャに依存せず、連続時間空間で入力を受け入れ、連続時間空間で生存確率を生成することができます。
既存の方法との比較評価により、私たちが提案するアプローチの高い競争力が強調されます。
ICTSurF の実装は https://github.com/44REAM/ICTSurF で入手できます。

要約(オリジナル)

Survival analysis is a widely known method for predicting the likelihood of an event over time. The challenge of dealing with censored samples still remains. Traditional methods, such as the Cox Proportional Hazards (CPH) model, hinge on the limitations due to the strong assumptions of proportional hazards and the predetermined relationships between covariates. The rise of models based on deep neural networks (DNNs) has demonstrated enhanced effectiveness in survival analysis. This research introduces the Implicit Continuous-Time Survival Function (ICTSurF), built on a continuous-time survival model, and constructs survival distribution through implicit representation. As a result, our method is capable of accepting inputs in continuous-time space and producing survival probabilities in continuous-time space, independent of neural network architecture. Comparative assessments with existing methods underscore the high competitiveness of our proposed approach. Our implementation of ICTSurF is available at https://github.com/44REAM/ICTSurF.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google