Deep Learning for Survival Analysis: A Review

要約

近年の生存分析の分野への深層学習 (DL) 技術の流入により、方法論的には大幅な進歩が見られました。
たとえば、画像、テキスト、オミックスデータなどの非構造化データまたは高次元データからの学習です。
この研究では、イベント発生までの時間分析のための DL ベースの手法の包括的な系統的レビューを実施し、生存と DL 関連の属性の両方に従って特徴付けます。
要約すると、レビューされた手法は、多くの場合、イベント発生までの時間データ (単一リスクの右打ち切りデータなど) に関連するタスクの小さなサブセットのみに対応しており、より複雑な設定の組み込みを無視しています。
私たちの調査結果は、編集可能なオープンソースのインタラクティブな表にまとめられています: https://survival-org.github.io/DL4Survival。
この研究分野は急速に進歩しているため、このデータベースを最新の状態に保つためにコミュニティへの貢献を奨励します。

要約(オリジナル)

The influx of deep learning (DL) techniques into the field of survival analysis in recent years has led to substantial methodological progress; for instance, learning from unstructured or high-dimensional data such as images, text or omics data. In this work, we conduct a comprehensive systematic review of DL-based methods for time-to-event analysis, characterizing them according to both survival- and DL-related attributes. In summary, the reviewed methods often address only a small subset of tasks relevant to time-to-event data – e.g., single-risk right-censored data – and neglect to incorporate more complex settings. Our findings are summarized in an editable, open-source, interactive table: https://survival-org.github.io/DL4Survival. As this research area is advancing rapidly, we encourage community contribution in order to keep this database up to date.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google