新的生存模型验证方法显示出队列依赖的性能

研究人员开发并验证了一种名为drcosarc的方法，这是一种用于离散时间多实例学习生存模型的事后保形包装器。该方法在来自The Cancer Genome Atlas (TCGA)和Clinical Proteomic Tumor Analysis Consortium (CPTAC)的多个队列中进行了测试。评估侧重于反向概率审查加权 (IPCW) 估计和中位数下预测界限 (LPB)，结果显示性能因队列、患者级别单位、估计量和审查假设而异。 AI

影响 这项研究引入了一种新的生存模型验证技术，有可能提高其在临床环境中的可靠性。

排序理由 该集群包含一篇详细介绍生存模型新方法的论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

• ABMIL
• CPTAC-CCRCC
• CPTAC-LUAD
• CPTAC-UCEC
• drcosarc
• Kirpal Nandra
• Stein Amortized Divergence
• The Cancer Genome Atlas
• Ucechukwu Iheadindu
• UNI2-h

• 论文
• 其他

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →