研究人员开发了一个名为自组织生存流形(SOSM)的新深度学习框架,旨在模拟系统性故障而不依赖于明确的结果预测。该架构将无监督表示学习与生存标签分离,将事件发生时间进程视为一种涌现的几何特性。SOSM应用于肾透明细胞癌患者的多组学队列,取得了0.768的平均一致性指数,并显示出显著的生存差异,同时还能自主识别疾病进展的关键驱动因素。 AI
影响 通过将表示学习与明确的结果预测分离,该框架有可能在各种复杂系统中实现更稳健的预后建模。
排序理由 该集群包含一篇详细介绍新AI框架及其在特定数据集上验证的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
- arXiv
- Atahan Karagöz
- Hugging Face
- log-rank test
- multiomics
- renal clear cell carcinoma
- Self-Organizing Survival Manifolds
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →