생존 분석

Kirjaudu sisään

näkemys - 생존 분석

DNAMite는 기존의 블랙박스 생존 분석 모델의 해석 가능성 부족 문제를 해결하면서 정확하고 보정된 예측을 제공하는 새로운 유리 상자 머신러닝 모델입니다.

PathoGen-X는 훈련 과정에서 게놈 및 영상 데이터를 모두 활용하여, 테스트 시에는 영상 데이터만으로 암 환자의 생존율을 예측하는 딥러닝 프레임워크입니다.

본 논문에서는 개별적인 의사 결정에 중요한 조건부 보정의 중요성을 강조하며, 이를 개선하기 위해 conformal prediction 기반의 새로운 방법론인 CSD-iPOT를 제안합니다.

외부 대조군을 활용하여 생존 결과에 대한 치료 효과를 추정할 때 발생할 수 있는 편향을 최소화하면서 효율성을 높이는 새로운 이중 보호 추정 방법을 제안합니다.

본 논문에서는 경쟁 위험이 있는 생존 분석을 위한 새로운 기계 학습 알고리즘인 SurvivalBoost를 제안합니다. 이 알고리즘은 엄격하게 적절한 점수 규칙을 사용하여 기존 방법보다 빠르고 정확하게 사건 발생 시간 및 유형을 예측합니다.

HACSurv는 경쟁 위험과 중도절단 간의 복잡한 의존성을 모델링하여 생존 분석의 정확성을 향상시키는 새로운 기계 학습 프레임워크입니다.

본 논문에서는 생존 분석에서 예측의 차별화 성능을 향상시키면서 동시에 보정 성능을 유지하는 새로운 대조 학습 프레임워크인 ConSurv를 제안합니다.

본 논문에서는 대규모 종단 데이터에서 시간적 일관성을 활용하여 생존 분석 모델의 학습 안정성과 성능을 향상시키는 새로운 프레임워크인 DeepTCSR을 제안합니다.

연합 시간-이벤트 점수 개발의 효과적인 프레임워크와 실제 다양한 생존 데이터에 대한 적용 가능성을 입증합니다.

Tietoja

Tuotteet

Resurssit