Deep Kernel Survival Analysis and Subject-Specific Survival Time Prediction Intervals
Deep Kernel Survival Analysis and Subject-Specific Survival Time Prediction Intervals
复制标题
深度内核生存分析和特定主题的生存时间预测区间
DOI：
--
复制
发表时间：
2020
期刊：
影响因子：
--
通讯作者：
George H. Chen
中科院分区：
文献类型：
--
作者：
George H. Chen
核心生存分析方法使用关于哪些训练受试者与测试受试者最相似的信息来预测受试者特定的生存曲线和时间。这些最相似的训练科目可以作为预测的证据。任何两个主题的相似程度由核函数给出。在本文中，我们提出了第一个神经网络框架，学习在内核生存分析中使用哪些内核函数。我们还展示了如何使用核函数来构建生存时间估计的预测区间，这些预测区间对于类似于测试对象的个体在统计学上是有效的。这些预测区间可以使用任何核函数，例如使用我们的神经核学习框架或使用随机生存森林学习的核函数。我们的实验表明，我们的神经内核生存估计与各种现有的生存分析方法具有竞争力，我们的预测区间可以帮助比较不同方法的不确定性，即使是不使用内核的估计。特别地，这些预测区间宽度可以用作生存分析方法的新性能度量。
Kernel survival analysis methods predict subject-specific survival curves and times using information about which training subjects are most similar to a test subject. These most similar training subjects could serve as forecast evidence. How similar any two subjects are is given by the kernel function. In this paper, we present the first neural network framework that learns which kernel functions to use in kernel survival analysis. We also show how to use kernel functions to construct prediction intervals of survival time estimates that are statistically valid for individuals similar to a test subject. These prediction intervals can use any kernel function, such as ones learned using our neural kernel learning framework or using random survival forests. Our experiments show that our neural kernel survival estimators are competitive with a variety of existing survival analysis methods, and that our prediction intervals can help compare different methods' uncertainties, even for estimators that do not use kernels. In particular, these prediction interval widths can be used as a new performance metric for survival analysis methods.
影响因子：
1.6
作者：
Barber, Rina Foygel;Candes, Emmanuel J.;Tibshirani, Ryan J.
通讯作者：
Tibshirani, Ryan J.
DOI：
--
发表时间：
2011-12
期刊：
--
影响因子：
--
作者：
Chun-Nam Yu;R. Greiner;Hsiu-Chin Lin;V. Baracos
通讯作者：
Chun-Nam Yu;R. Greiner;Hsiu-Chin Lin;V. Baracos