事件時間數(shù)據(jù)廣泛存在于臨床醫(yī)學研究領域,包含大量復雜的隨時間變化的動態(tài)風險因子變量。為了對這些動態(tài)事件時間數(shù)據(jù)進行有效分析,克服生存模型參數(shù)假設的局限性,提出了一種多任務Logistic生存學習和預測方法。將生存預測轉化為一系列不同時間點的多任務二元生存分類問題,利用動態(tài)風險因子變量的全部觀測值估計累積風險。通過對事件樣本和刪失樣本的全數(shù)據(jù)學習正則化Logistic回歸參數(shù)。評估風險因子與事件時間的動態(tài)關系,根據(jù)生存概率估計事件時間。在多個實際臨床數(shù)據(jù)集上開展的對比實驗驗證了提出的多任務預測方法對于動態(tài)數(shù)據(jù)不僅具有較強的適用性,而且能夠保障預測結果的準確性和可靠性。 

【文章來源】：計算機應用. 2020,40(05)北大核心CSCD

【文章頁數(shù)】：7 頁

【文章目錄】：
0 引言
1 生存預測
    1.1 事件時間數(shù)據(jù)
    1.2 動態(tài)事件時間數(shù)據(jù)
    1.3 Logistic生存函數(shù)
2 多任務Logistic事件時間預測
    2.1 風險累積Logistic生存函數(shù)
    2.2 多任務生存學習
    2.3 正則化系數(shù)選擇
    2.4 事件時間預測
    2.5 模型分析
3 實驗
    3.1 實驗數(shù)據(jù)及預處理
    3.2 對比模型
    3.3 評價指標
    3.4 結果與分析
        3.4.1 生存預測結果對比
        3.4.2 生存概率曲線對比
        3.4.3 模型效率對比
4 結語


【參考文獻】：
期刊論文
[1]深度學習在肺癌患者生存預測中的應用研究[J]. 潘浩,王昭,姚佳文.  計算機工程與應用. 2018(14)
[2]基于復雜網(wǎng)絡結合生存分析的中醫(yī)藥治療肺癌的核心有效處方的發(fā)現(xiàn)研究[J]. 楊銘,李嘉旗,焦麗靜,陳佩奇,許玲.  中國中藥雜志. 2015(22)



本文編號：3644918