研究论文

开放式访问

个体生存分布的变分学习

作者:

陈阳道、和

里卡多埃纳奥作者信息和声明

CHIL’20：ACM健康、推理和学习会议论文集

2020年4月

页10-18

https://doi.org/10.1145/3368555.3384454

出版:2020年4月2日出版历史

PDF格式电子阅读器

摘要

丰富的现代健康数据为使用机器学习技术建立更好的统计模型以改进临床决策提供了许多机会。预测时间-事件分布，也称为生存分析，在许多临床应用中发挥着关键作用。我们引入了一种变分时间-事件预测模型，称为变分生存推理（VSI），该模型基于分布学习技术和深层神经网络的最新进展。VSI通过以下方式解决了非参数分布估计的挑战：（i）放宽经典模型中的限制性建模假设，（ii）有效处理截尾观测值，即为了验证我们方法的有效性，我们在合成数据集和真实数据集上进行了一组广泛的实验，与竞争解决方案相比，性能有所提高。

工具书类

[1]

奥德·阿伦（Odd Aalen）、奥纳尔夫·博根（Ornulf Borgan）和哈肯·杰辛（Hakon Gjessing）。2008生存和事件历史分析：过程观点Springer科学与商业媒体。

[2]

奇怪的奥阿伦。1994年。生存分析中虚弱的影响。医学研究中的统计方法3, 3 (1994), 227--243.

[3]

Ahmed M Alaa和Mihaela van der Schaar。2017年，针对具有竞争风险的生存分析的深度多任务高斯过程。在第31届神经信息处理系统国际会议记录Curran Associates Inc.，第2326--2334页。

[4]

劳拉·安托里尼（Laura Antolini）、帕特里齐亚·博拉奇（Patrizia Boracchi）和埃莉亚·比甘索利（Elia Biganzoli）。2005年，生存数据的时间依赖性判别指数。医学统计学24, 24 (2005), 3927--3944.

[5]

拉尔夫·本德（Ralf Bender）、托马斯·奥古斯丁（Thomas Augustin）和玛丽亚·布莱特纳（Maria Blettner）。2005.生成生存时间以模拟Cox比例风险模型。医学统计学24, 11 (2005), 1713--1723.

[6]

Imad Bou-Hamad、Denis Larocque、Hatem Ben-Ameur等人，2011年。存活树木综述。统计调查5 (2011), 44--71.

[7]

尤里·伯达（Yuri Burda）、罗杰·格罗斯（Roger Grosse）和鲁斯兰·萨拉库丁诺夫（Ruslan Salakhutdinov）。2015.重要性加权自动编码器。arXiv预打印arXiv:1509.00519(2015).

[8]

Paidamoyo Chapfuwa、Chenyang Tao、Chunyuan Li、Courtney Page、Benjamin Goldstein、Lawrence Carin和Ricardo Henao。2018.对抗性时间到事件建模。arXiv预打印arXiv:1804.03184(2018).

[9]

陈立群、陶晨阳、张瑞仪、里卡多·赫瑙和劳伦斯·卡林·杜克。2018年b月。具有广义证据界的变分推理和模型选择。在机器学习国际会议. 892--901.

[10]

陈田琪（Tian Qi Chen）、尤利娅·鲁巴诺娃（Yulia Rubanova）、杰西·贝登古（Jesse Bettencourt）和大卫·K·杜维诺（David K Duvenaud）。2018年a。神经常微分方程。在神经信息处理系统的研究进展. 6571--6583.

[11]

大卫·R·考克斯。1972年。回归模型和生命表。英国皇家统计学会杂志：B辑（方法学）34, 2 (1972), 187--202.

[12]

Angela Dispenzieri、Jerry A Katzmann、Robert A Kyle、Dirk R Larson、Terry M Therneau、Colin L Colby、Raynell J Clark、Graham P Mead、Shaji Kumar、L Joseph Melton III等，2012年。使用非克隆血清免疫球蛋白游离轻链预测普通人群的总体生存率。在梅奥诊所会议记录，第87卷。爱思唯尔，517-523。

[13]

大卫·法拉吉和理查德·西蒙。生存数据的神经网络模型。医学统计学14, 1 (1995), 73--82.

[14]

马赫塔布·贾汉巴尼·法德、王平、桑杰·查拉和钱丹·雷迪。2016年，纵向数据中早期事件预测的贝叶斯观点。IEEE知识与数据工程汇刊28, 12 (2016), 3126--3139.

数字图书馆

[15]

塔玛拉·费尔南德斯（Tamara Fernández）、尼科拉斯·里维拉（Nicolás Rivera）和叶惠德（Yee Whye Teh）。2016.生存分析的高斯过程。在神经信息处理系统研究进展. 5021--5029.

[16]

斯蒂芬·福佐（Stephane Fotso）。2018.基于多任务框架的生存分析深度神经网络。arXiv预打印arXiv:1801.05512(2018).

[17]

Frank E Harrell、Robert M Califf、David B Pryor、Kerry L Lee和Robert A Rosati。1982.评估医学测试的结果。贾马247, 18 (1982), 2543--2546.

[18]

菲利普·霍加德（Philip Hougaard）。生存数据的脆弱模型。寿命数据分析1, 3 (1995), 255--273.

[19]

Hemant Ishwaran、Udaya B Kogalur、Eugene H Blackstone、Michael S Lauer等人，2008年。随机生存森林。应用统计年鉴2, 3 (2008), 841--860.

[20]

John D Kalbfleisch和Ross L Prentice。2011失效时间数据的统计分析第360卷。约翰·威利父子公司。

[21]

爱德华·卡普兰和保罗·迈耶。1958.不完全观测的非参数估计。美国统计协会杂志53, 282 (1958), 457--481.

[22]

贾里德·卡兹曼（Jared L Katzman）、乌里·沙哈姆（Uri Shaham）、亚历山大·克洛宁格（Alexander Cloninger）、乔纳森·贝茨（Jonathan Bates）、蒋廷廷（Tingting Jiang）和尤瓦尔·克鲁格。2016年，深度生存：深度cox比例风险网络。斯达1050 (2016), 2.

[23]

贾里德·卡兹曼（Jared L Katzman）、乌里·沙哈姆（Uri Shaham）、亚历山大·克洛宁格（Alexander Cloninger）、乔纳森·贝茨（Jonathan Bates）、蒋廷廷（Tingting Jiang）和尤瓦尔·克鲁格。2018.DeepSurv：使用Cox比例风险深度神经网络的个性化治疗推荐系统。BMC医学研究方法18, 1 (2018), 24.

[24]

费萨尔·姆汗（Faisal M Khan）和瓦伦蒂娜·拜尔·祖贝克（Valentina Bayer Zubek）。审查数据的支持向量回归（SVRc）：生存分析的新工具。在2008年IEEE第八届数据挖掘国际会议IEEE，863--868。

数字图书馆

[25]

Diederik P Kingma和Max Welling。2013.自动编码变分贝叶斯。arXiv预打印arXiv:1312.6114(2013).

[26]

William A Knaus、Frank E Harrell、Joanne Lynn、Lee Goldman、Russell S Phillips、Alfred F Connors、Neal V Dawson、William J Fulkerson、Robert M Califf、Norman Desbiens等人，1995年。SUPPORT预后模型：严重住院成人生存率的客观评估。内科学纪事122, 3 (1995), 191--203.

[27]

李洪明、帕梅拉·博伊梅尔、詹姆斯·贾诺鲍尔·奈勒、钟浩宇、英肖、埃德加·本·约瑟夫和永凡。基于图像数据的直肠癌生存分析的深度卷积神经网络。arXiv预打印arXiv:1901.01449(2019).

[28]

Paulo JG Lisboa、H Wong、P Harris和Ric Swindell。2003年，一种贝叶斯神经网络方法，用于建模审查数据，并应用于乳腺癌手术后的预后。医学中的人工智能28, 1 (2003), 1--25.

[29]

马尔戈·勒克、特里斯坦·西尔万、赫洛伊斯红衣主教、安德烈亚·洛迪和约舒亚·本吉奥。2017.用于患者特异性肾移植存活分析的深度学习。arXiv预打印arXiv:1705.10245(2017).

[30]

小弗兰克·J·梅西1951年。Kolmogorov-Smirnov拟合优度测试。美国统计协会杂志46, 253 (1951), 68--78.

[31]

SA Murphy、AJ Rossini和Aad W van der Vaart。1997.比例优势模型中的最大似然估计。J.Amer。统计师。协会。92, 439 (1997), 968--976.

[32]

拉德福德·M·尼尔。2001.退火重要性抽样。统计与计算11, 2 (2001), 125--139.

[33]

阿德里安·拉弗瑞。1995年，社会研究中的贝叶斯模型选择。社会学方法25 (1995), 111--164.

[34]

阿德里安·拉弗瑞（Adrian E Raftery）、大卫·马迪根（David Madigan）和克里斯·沃林斯基（Chris T Volinsky）。1996.生存分析中考虑模型不确定性可提高预测性能。贝叶斯统计5 (1996), 323--349.

[35]

汤姆·雷诺兹（Tom Rainforth）、亚当·科西奥雷克（Adam R Kosiorek）、阮安乐（Tuan Anh Le）、克里斯·麦迪森（Chris J Maddison）、马克西米利安·伊格尔（Maximilian Igl）、弗兰克·伍德（Frank Wood）和叶惠德（Ye。2018年。更严格的变分界限并不一定更好。arXiv预打印arXiv:1802.04537(2018).

[36]

Rajesh Ranganath、Sean Gerrish和David Blei。2014.黑箱变分推理。在人工智能与统计. 814--822.

[37]

Rajesh Ranganath、Adler Perotte、Noémie Elhadad和David Blei。2016.深度生存分析。arXiv预打印arXiv:1608.02158(2016).

[38]

西德尼·雷斯尼克。2003概率路径Birkhauser Verlag股份公司。

[39]

LA Gloeckler Ries、JL Young、GE Keel、MP Eisner、YD Lin、MJ Horner等人，2007年。SEER生存专著：成人癌症生存：美国SEER计划，1988-2001年，患者和肿瘤特征。国家癌症研究所，SEER计划，NIH Pub07-6215 (2007), 193--202.

[40]

吉多·施瓦泽、沃纳·瓦赫和马丁·舒马赫。2000.关于人工神经网络在肿瘤学预后和诊断分类中的滥用。医学统计学19, 4 (2000), 541--561.

[41]

诺亚·西蒙（Noah Simon）、杰罗姆·弗里德曼（Jerome Friedman）、特雷弗·哈斯蒂（Trevor Hastie）和罗伯·提比西拉尼（Rob Tibshirani）。2011年，通过坐标下降法对考克斯比例风险模型进行正则化。统计软件杂志39, 5 (2011), 1.

[42]

尼蒂什·斯利瓦斯塔瓦（Nitish Srivastava）、杰弗里·欣顿（Geoffrey Hinton）、亚历克斯·克利舍夫斯基（Alex Krizhevsky）、伊利亚·萨茨克沃（Ilya Sutskever）和鲁斯兰·萨拉库丁诺夫。2014.辍学：防止神经网络过度拟合的简单方法。机器学习研究杂志15, 1 (2014), 1929--1958.

数字图书馆

[43]

雅库布·M·托姆萨克和马克斯·威林。2017年，VampPrior的VAE。arXiv预打印arXiv:1705.07120(2017).

[44]

马丁·温赖特和迈克尔·乔丹。图形模型、指数族和变分推理。机器学习的基础和趋势1 (2008), 1--305.

数字图书馆

[45]

王平、李彦和钱丹·雷迪。2019.生存分析的机器学习：一项调查。ACM计算调查（CSUR）51, 6 (2019), 110.

数字图书馆

[46]

于春楠（Chun-Nam Yu）、拉塞尔·格雷纳（Russell Greiner）、林小琴（Xiu Chin Lin）和维克·巴拉科斯（Vickie Baracos）。2011年。学习患者特定癌症生存分布作为依赖回归变量序列。在神经信息处理系统研究进展. 1845--1853.

[47]

张浩海伦，陆文斌，2007。考克斯比例风险模型的自适应拉索。生物特征94, 3 (2007), 691--703.

[48]

张全和周明远。2018年。非参数贝叶斯Lomax代表比赛，以进行生存分析和竞争风险。在神经信息处理系统研究进展. 5002--5013.

[49]

Blaz Zupan、Janez Demšar、Michael W Kattan、J Robert Beck和Ivan Bratko。1999.生存分析的机器学习：前列腺癌复发的案例研究。在欧洲医学和医疗决策人工智能联合会议施普林格，346-355。

引用人

雅科夫列娃D特尔诺夫S马卡罗夫一世菲尔琴科夫A(2024)投标形势预测与变压器冷启动问题IEEE接入10.1109/通道2024.336049312(19117-19127)在线发布日期：2024年
https://doi.org/10.109/ACCESS.2024.3360493
秀Z程克（Cheng K）周日D卢JKotek H公司张Y麦卡锡·P克莱因C普朗S威廉姆斯J(2023)用户与智能助理交互中的反馈效应：延迟参与、适应和退出知识发现和数据挖掘的进展10.1007/978-3-031-33377-4_12(145-158)在线发布日期：2023年5月25日
https://dl.acm.org/doi/10.1007/978-3-031-33377-4_12
Chapfuwa P公司阿萨德S曾SPencina M型卡林LHenao R公司Ghassemi M公司诺曼T皮尔逊E(2021)使用平衡表示实现反事实生存分析健康、推理和学习会议记录10.1145/3450439.3451875(133-145)在线发布日期：2021年4月8日
https://dl.acm.org/doi/10.1145/3450439.3451875
显示更多引用者

索引术语

个体生存分布的变分学习
1. 应用计算
  1. 生命与医学
    1. 健康信息学
2. 计算方法
  1. 建模和仿真
    1. 模型开发和分析
      1. 建模方法

建议

生存分析的机器学习：综述

生存分析是统计学的一个子领域，其目标是对数据进行分析和建模，其中的结果是相关事件发生之前的时间。在这种情况下，主要的挑战之一是存在事件结果。。。
阅读更多信息
潜变量模型的平均场变分近似贝叶斯推理

缺失变量模型的不适定性质为新的计算技术提供了一个具有挑战性的试验场。这就是平均场变分贝叶斯推断的情况。该方法在贝叶斯问题设置中的行为。。。
阅读更多信息
基于对数加速失效时间模型的生存数据变分贝叶斯分析
摘要
log-logistic回归模型是生存分析中最常用的加速失效时间（AFT）模型之一，其统计推断方法主要建立在频率分析框架下。。。
阅读更多信息

评论

信息和贡献者

问询处

发布于

封面图片ACM会议

20世纪初：ACM健康、推理和学习会议记录

2020年4月

265页

国际标准图书编号：9781450370462

DOI（操作界面）：10.1145/3368555

总主席：
马齐耶·加塞米（Marzyeh Ghassemi）
多伦多大学和病媒研究所

版权所有©2020 ACM。

如果复制品不是为了盈利或商业利益而制作或分发的，并且复制品的第一页载有本通知和完整引文，则允许免费制作本作品的全部或部分数字或硬拷贝以供个人或课堂使用。必须尊重ACM以外的其他人对本作品组成部分的版权。允许用信用证进行摘要。要以其他方式复制或重新发布，在服务器上发布或重新发布到列表，需要事先获得特定许可和/或付费。从请求权限[电子邮件保护]

赞助商

计算机协会

出版商

计算机协会

美国纽约州纽约市

出版历史

出版：2020年4月2日

权限

请求对此文章的权限。

检查更新

作者标记

限定符

研究文章

资金来源

NIH/NIBIB

会议

ACM CHIL’20系列

赞助商：

ACM公司

ACM CHIL’20：ACM健康、推理和学习会议

2020年4月2日-4日

加拿大多伦多安大略省

接受率

总体接受率110份提交文件中的27份，25%

贡献者

其他指标

查看文章指标

文献计量学和引文

文献计量学

文章指标

5
引文总数
查看引文
595
总下载次数

下载量（最近12个月）106
下载次数（最近6周）8

其他指标

查看作者指标

引文

引用人

雅科夫列娃D特尔诺夫S马卡洛夫一世菲尔琴科夫A(2024)投标形势预测和变压器冷启动问题IEEE接入10.1109/通道2024.336049312(19117-19127)在线发布日期：2024年
https://doi.org/10.1109/ACCESS.2024.3360493
秀Z程克（Cheng K）太阳D卢JKotek H公司张Y麦卡锡P克莱因C普朗S威廉姆斯J(2023)用户与智能助理交互中的反馈效应：延迟参与、适应和退出知识发现和数据挖掘的进展10.1007/978-3-031-33377-4_12(145-158)在线发布日期：2023年5月25日
https://dl.acm.org/doi/10.1007/978-3-031-33377-4_12
Chapfuwa P公司阿萨德S曾SPencina M型卡林LHenao R公司Ghassemi M公司诺曼T皮尔逊E(2021)使用平衡表示实现反事实生存分析健康、推理和学习会议记录10.1145/3450439.3451875(133-145)在线发布日期：2021年4月8日
https://dl.acm.org/doi/10.1145/3450439.3451875
Chan M（Chan M）林云瑞A卡莫迪DHock Ong M公司邹毅徐伟李·M(2021)首次和重复临床事件的复发时间点过程网络2021年IEEE第33届人工智能工具国际会议（ICTAI）10.1109/ICTAI52525.2021.00029(153-160)在线发布日期：2021年11月
https://doi.org/10.109/ICTAI52525.2021.00029
杨Z田毅周T朱Y张平（Zhang P）陈杰李杰(2021)使用基于注意力的Bi-GRU网络预测血液透析患者的时间序列深度生存生物医学中的计算机方法和程序10.1016/j.cmpb.2021.106458212：C在线发布日期：2021年11月1日
https://dl.acm.org/doi/10.1016/j.cmpb.2021.106458

视图选项

查看选项

PDF格式

以PDF文件查看或下载。

电子阅读器

使用联机查看电子阅读器.

电子阅读器

获取访问权限

登录选项

检查您是否可以通过登录凭据或您的机构访问本文。

完全访问权限

获取此出版物

媒体

数字

其他

桌子