DeepSurv初识

🌈博客主页：卿云阁

💌欢迎关注🎉点赞👍收藏⭐️留言📝

🌟本文由卿云阁原创！

📆首发时间：🌹2023年12月26日🌹

✉️希望可以和大家一起完成进阶之路！

🙏作者水平很有限，如果发现错误，请留言轰炸哦！万分感谢！

---

DeepSurv的用途

        医学研究人员使用生存模型评估预后协变量在死亡或癌症复发等事件中的重要性，并随后告知患者其治疗选择。一种标准的生存模型是Cox比例风险模型（CPH），但是它是一种线性的拟合，这种拟合可能过于简单，我们知道神经网络可以完成很多非线性的拟合（激活函数），2016年出现了一篇文章专门用于预测生存的。【1】

      该网络可以准确地模拟患者的死亡风险。此外，预后分层可以指导我们做出个性化治疗建议，并可能增加一组乳腺癌患者的中位生存时间。也就是对于单个的样本我只要输入它的特征，可以得到其患病的概率和治疗方式的推荐。（这里只能涉及到两者之间的治疗对比，我们可以得到哪一种的生存率更高）

arxiv.org/pdf/1606.00931v3.pdf【1】arxiv.org/pdf/1606.00931v3.pdf

---

DeepSurv的介绍

         DeepSurv是类似于Faraggi-Simon网络的多层感知器。不同的是加入了多个隐藏层，以及其他新的技术，例如权重衰减正则化，整流线性单位（ReLU），批处理归一化，dropout，随机梯度下降使用Nesterov动量，梯度修剪和学习率调度等。文章也执行了随机超参数优化搜索。

---

治疗推荐系统（预后风险组分层）

       确定患者可观察的协变量与其发生事件的风险之间的关系是医学应用中的一种常见做法。 基于神经网络的生存模型在临床研究中很少使用，因为神经网络倾向于过度拟合。 但是，文章的结果表明，DeepSurv能够准确地概括患者协变量与其死亡风险之间的生物学上重要的关系。 结果，该网络能够根据个性化治疗建议为医师提供指导。

---

实验的结论

随机生存森林（RSF），标准的生存模型是Cox比例风险模型（CPH）

---

常见的论文

1.SEER数据库直肠肿瘤+DEEPSURV 模型（IF 4.6）

2.口腔肿瘤预后+DEEPSURV模型 （IF 6.5）

3.口腔肿瘤预后+DEEPSURV模型 （IF 6.5）

4.抑郁和焦虑评分相关预后+DEEPSURV模型（IF5.）

5.肺癌+DEEPSURV模型和头颈癌症+DEEPSURV（IF13.35）

DEEPSURV常规套路：公共数据库(带生存数据）+COX建模+DEEPSURV建模+个体化治疗推荐（任意治疗，二分类均可）

---

项目代码

jaredleekatzman/DeepSurv：DeepSurv 是一种用于生存分析的深度学习方法。 (github.com)

这里我们的输入数据一共有三个，x是除了生存时间和生存状态其它的特征值，是一个特征矩阵包含了各种的变量，n表示样本的数量，d表示特征值的数量，t代表的是生存时间，e代表时间发生的状态。

但是源代码太老了，所以我们使用了下面的代码。

arturomoncadatorres/deepsurvk: Implementation of DeepSurv using Keras (github.com)

它使用的是TensorFlow 2.0进行书写的，它们的文档也是非常清楚的，我们点击这个

    安装好了之后我们需要先把numpy卸载然后再装上最新的，它提供了好几个测试的数据集。

下面我们将会用这个乳腺癌的数据进行分析，这个里面就存在着不同的治疗方案，比如放射线和荷尔蒙治疗等等。

---

下面我们开始举一个例子说明一下：（大概200条数据）

      利用DeepSurv，我们可以实现得到其它的特征判断是否死亡和存活的时间，然后给出建议。

生存月份与其它因素的相关性