MENSA: A Multi-Event Network for Survival Analysis under Informative Censoring

要約

インスタンスが与えられると、マルチイベント生存モデルは、そのインスタンスがいくつかの異なるイベントをそれぞれ経験するまでの時間を予測します。
これらのイベントは相互に排他的ではなく、多くの場合、イベント間に統計的な依存関係が存在します。
マルチイベント生存率の結果は比較的少数で、そのほとんどはイベント発生までの時間自体ではなく、単純なリスク スコアを生成することに焦点を当てています。
これらの問題を克服するために、入力共変量の表現とイベント間の依存構造を共同で学習できる、マルチイベント生存分析のための新しい深層学習アプローチである MENSA を紹介します。
マルチイベント生存分析の実際的な動機として、筋萎縮性側索硬化症 (ALS) 患者がさまざまな身体機能、つまり話す、飲み込む、書く、歩く能力を失うまでの時間を予測するという問題を検討します。
患者が飲み込むことができなくなる時期を推定する場合、各イベントを個別にモデル化した場合の L1 マージン損失は 355.2 日であるのに対し、私たちのアプローチでは 278.8 日の L1 マージン損失が達成されます。
さらに、打ち切りとイベントの分布を最適化プロセスにおける同等の寄与因子としてモデル化することで、単一イベントおよび競合するリスク シナリオでのアプローチを評価し、複数のベンチマーク データセットにわたって当社のアプローチが良好に機能することを示します。
ソースコードはhttps://github.com/thecml/mensaから入手できます。

要約(オリジナル)

Given an instance, a multi-event survival model predicts the time until that instance experiences each of several different events. These events are not mutually exclusive and there are often statistical dependencies between them. There are relatively few multi-event survival results, most focusing on producing a simple risk score, rather than the time-to-event itself. To overcome these issues, we introduce MENSA, a novel, deep learning approach for multi-event survival analysis that can jointly learn representations of the input covariates and the dependence structure between events. As a practical motivation for multi-event survival analysis, we consider the problem of predicting the time until a patient with amyotrophic lateral sclerosis (ALS) loses various physical functions, i.e., the ability to speak, swallow, write, or walk. When estimating when a patient is no longer able to swallow, our approach achieves an L1-Margin loss of 278.8 days, compared to 355.2 days when modeling each event separately. In addition, we also evaluate our approach in single-event and competing risk scenarios by modeling the censoring and event distributions as equal contributing factors in the optimization process, and show that our approach performs well across multiple benchmark datasets. The source code is available at: https://github.com/thecml/mensa

arxiv情報

提供元, 利用サービス

arxiv.jp, Google