AITOP

生存分析

共 7 条相关 AI 资讯
8月18日
10:34
10:34官方账号arXiv cs.LG@Shuai Huang, Zhe Qu, Zhaowei Hua, Guohao Shen, Rui Tang, Hongtu Zhu
该论文提出Censored Non-crossing Quantile（CNQ）框架，联合估计多个条件生存分位数，并通过构造保证分位数曲线不交叉。框架支持Kolmogorov-Arnold和Transformer两种骨干网络，并给出联合覆盖所有分位水平的有限样本超额风险界。在27个模拟设置和6个队列中，当条件分布不对称时，CNQ的钉球损失低于分位数、风险和树基竞争方法，且区间覆盖率更接近名义水平。METABRIC和FLCHAIN两个临床案例显示，CNQ能恢复随生存分布变化的协变量效应，并生成一致的个体化分位里程碑。
论文CNQ生存分析分位数回归
推荐理由：这篇论文提出了一个能同时预测多个生存时间分位数还不打架的模型，在乳腺癌和死亡率数据上都比老方法更准，做医学预测的可以看看。
原文
8月7日
13:09
13:09官方账号arXiv cs.LG@Lev V. Utkin, Stanislav K. Kogan, Andrei V. Konstantinov
Surv-IPTB 是一种用于生存分析的新框架，直接量化患者在接受治疗相较于对照时生存期延长的概率。该方法将 IPTB 估计重构为二分类问题，利用治疗组与对照组之间的成对患者比较，并通过不精确概率表示处理右删失观测。模型采用带可学习查询-键变换的注意力机制，灵活聚合成对比较，同时为删失病例学习软类别概率。在螺旋、钟形和圆形等非线性合成数据集上的实验中，Surv-IPTB 在多种删失率和治疗效果强度下表现稳健，优于配备随机生存森林、Cox 比例风险和 Beran 估计器的元学习基线。
论文Surv-IPTBIPTB生存分析
推荐理由：论文提出了 Surv-IPTB，用注意力机制做个体治疗获益估计，比传统 T-learner、S-learner 在复杂非线性数据上更稳，代码已开源。
原文
7月30日
04:12
04:12官方账号arXiv cs.LG@Fan Yang, Madelyn Weller, Dimuthu Fernando, Hila Livneh, Yuxin Wen
该论文提出联邦纵贯生存建模框架，结合纵贯传感器表征学习和客户端可分离离散时间风险目标。在4个C-MAPSS涡扇发动机退化子集上模拟分散训练，结果显示协同训练比孤立本地训练性能一致提升。该方法无需共享原始传感器数据或失效记录，且性能接近集中训练。
论文C-MAPSS联邦学习故障预测
推荐理由：这篇论文提出了联邦学习框架，让不同机构在不共享数据的情况下一起训练故障预测模型，效果和集中训练差不多，挺实用的。
原文
6月18日
10:38
6月11日
09:49
09:49官方账号arXiv cs.AI@Minh-Khoi Pham, Luca Cotugno, Alina Sirbu, Tai Tan Mai, Martin Crane, Marija Bezbradica
精选
该研究提出了一种轻量级适配方法，将表格基础模型（如TabPFN、TabDPT、TabICL）应用于临床生存分析，通过直接训练一个生存感知头（MTLR）来预测右删失的时间事件结果。在多个公开生存基准和两个大规模ICU队列（MIMIC-IV和eICU）上的评估显示，该方法在C-index指标上优于传统深度生存模型（如DeepSurv），相对提升达1.4%-1.7%。这表明预训练表格表示与生存感知目标的结合为临床生存预测提供了实用且有效的替代方案。
论文表格基础模型生存分析临床决策
推荐理由：临床研究人员和医疗AI开发者终于有了一个无需从头训练就能做生存分析的方案——用表格基础模型加一个轻量头就能超越DeepSurv，做ICU预后预测的团队可以直接在MIMIC-IV和eICU上复现。
原文
6月5日
12:37
12:37官方账号arXiv cs.LG@Jef Jonkers, Glenn Van Wallendael, Luc Duchateau, Sofie Van Hoecke
精选
该论文提出了一种针对右删失生存数据的概率预测评分框架。传统评分规则（如CRPS、Brier分数）在事件时间仅部分观测时无法直接应用。作者通过将预测分布映射到删失机制下的观测数据分布，再应用标准评分规则，得到了局部化和边缘化的删失版本评分。该框架统一了删失似然和IPCW准则，并证明了在条件独立删失下评分的适当性。实验表明，该方法能正确排序预测模型，而基于插值的加权评分可能出现排序反转。
论文生存分析右删失数据概率预测
推荐理由：生存分析中右删失数据是常态，这篇论文为概率预测的评估提供了理论严谨的评分框架。做生存建模、临床试验或可靠性分析的团队，可以直接用这些评分来训练和评估模型，避免传统方法的偏差。
原文
5月22日
11:05
11:05官方账号arXiv cs.AI@Stanislav R. Kirpichenko, Andrei V. Konstantinov, Lev V. Utkin
精选
生存分析旨在从含删失数据中估计事件时间分布，但现有方法常对风险函数施加结构假设或离散化时间轴，限制了灵活性并引入近似误差。本文提出生存扩散概率模型（SDPM），一种基于去噪扩散模型的连续时间生存分析方法。SDPM 直接建模生存结果的条件分布，利用条件独立删失假设，通过生成样本结合 Kaplan-Meier 估计器得到生存函数，无需参数假设或时间离散化。在十个真实数据集上，SDPM 在 C-index、时间依赖 AUC 和 Brier 评分上达到与树模型、提升模型和神经网络模型相当的预测性能。合成数据实验表明，SDPM 能更准确地恢复底层连续生存分布的形状，消融研究验证了目标空间变换对事件率校准和预测区分度的提升。
论文生存分析扩散模型连续时间
推荐理由：生存分析是医学、可靠性工程等领域的核心问题，SDPM 用扩散模型绕过了传统方法的参数假设和离散化限制，做生存预测的团队可以直接用公开代码复现，值得关注。
原文