Bayesian Survival Analysis by Approximate Inference of Neural Networks

要約

将来の出来事の予測には常に不確実性が伴いますが、従来の非ベイジアン手法では、確実な予測と不確実な予測を区別したり、予測の信頼性を説明したりすることができません。
生存分析では、ヘルスケアおよび生物医学分野の最先端ソリューションに適用されるベイジアン手法はまだ目新しいものであり、その意義は十分に評価されていません。
この論文では、予測とキャリブレーションのパフォーマンスに焦点を当てて、生存分析のためのディープ ニューラル ネットワークにおける不確実性のモデリングの利点を研究します。
このために、3 つのベイジアン ネットワーク アーキテクチャで構成されるベイジアン ディープ ラーニング フレームワークを提示します。このフレームワークは、コックス部分尤度を最適化し、入力依存の偶発的不確実性とモデル固有の認識論的不確実性を組み合わせることによって訓練されます。
これにより、生存曲線を予測するときの信頼区間として、または予測された生存時間の中央値にわたる確率密度関数として、不確実性の推定値を提供することができます。
実証分析では、4 つのベンチマーク データセットで提案手法を評価しました。その結果、我々の手法は一致指数に基づいた最先端の予測パフォーマンスに匹敵する予測パフォーマンスを示し、平均値の点で他のすべての Cox ベースのアプローチよりも優れていることがわかりました。
絶対的なエラー。
私たちの研究では、さまざまなベイズ近似手法が互いにどの程度異なるのかを明確に比較し、従来の非ベイズ近似手法よりも予測を向上させています。

要約(オリジナル)

Predicting future events always comes with uncertainty, but traditional non-Bayesian methods cannot distinguish certain from uncertain predictions or explain the confidence in their predictions. In survival analysis, Bayesian methods applied to state-of-the-art solutions in the healthcare and biomedical field are still novel, and their implications have not been fully evaluated. In this paper, we study the benefits of modeling uncertainty in deep neural networks for survival analysis with a focus on prediction and calibration performance. For this, we present a Bayesian deep learning framework that consists of three Bayesian network architectures, which we train by optimizing the Cox partial likelihood and combining input-dependent aleatoric uncertainty with model-specific epistemic uncertainty. This enables us to provide uncertainty estimates as credible intervals when predicting the survival curve or as a probability density function over the predicted median survival times. For our empirical analyses, we evaluated our proposed method on four benchmark datasets and found that our method demonstrates prediction performance comparable to the state-of-the-art based on the concordance index and outperforms all other Cox-based approaches in terms of the mean absolute error. Our work explicitly compares the extent to which different Bayesian approximation techniques differ from each other and improves the prediction over traditional non-Bayesian alternatives.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google