random survival forest
PulseAugur coverage of random survival forest — every cluster mentioning random survival forest across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
AI模型利用EHR和DXA数据预测骨折风险的表现优于FRAX
研究人员开发并验证了利用双能X射线吸收法（DXA）和电子健康记录（EHR）数据预测50岁以上成年人骨折风险的新模型。这些模型，包括惩罚Cox回归、随机生存森林、梯度提升生存和XGBoost生存，在区分能力上优于临床使用的FRAX评分。在内部验证中，扩展Cox模型达到了0.779的Harrell C指数，在外部验证中达到了0.714，而梯度提升生存模型在外部区分能力上最高，为0.725。建议在临床应用前进一步评估校准、前瞻性评估和实施工作流程。
-
胶质母细胞瘤放射组学研究质疑用于生存预测的特征鲁棒性
一项发表在arXiv上的新研究调查了放射组学特征的鲁棒性与其在胶质母细胞瘤（GBM）生存建模中的预测效用之间的关系。研究人员分析了来自GBM患者多参数MRI扫描的4,752个放射组学特征，并使用类内相关系数评估特征鲁棒性。研究结果表明，相当一部分特征不具备鲁棒性，并且仅通过鲁棒性进行筛选并未改善生存预测模型。该研究表明，鲁棒性本身可能不足以作为放射组学生存分析中选择特征的标准。
-
拓扑数据分析预测阿尔茨海默病转化风险
研究人员开发了一种使用持久性同调来预测从轻度认知障碍（MCI）转化为阿尔茨海默病（AD）风险的新方法。该方法将临床轨迹分析为点云，并结合了用于个体级别不确定性估计的拆分共形保证。该研究纠正了潜在的数据泄露，发现拓扑数据分析特征，特别是 H0 持久性熵，显著提高了预测准确性，并与 APOE4 剂量相关。
-
联邦学习在医疗生存分析领域展现潜力 · 追踪2个来源
一篇新论文评估了联邦学习在医疗生存分析中的应用，特别是在跨多个机构的乳腺癌数据集上。该研究使用FedAvg、FedProx和FedAdam等联邦优化策略，比较了三种生存模型（Cox比例风险模型、DeepSurv和Random Survival Forest）。结果表明，联邦学习方法在保护患者隐私的同时，其性能可以媲美甚至超越集中式方法。Random Survival Forest模型在准确性和鲁棒性方面取得了最佳平衡，其性能受到客户端…
-
新基准揭示时间数据可预测学生辍学
研究人员开发了一个新的生存基准，用于预测学习分析中的学生辍学。该基准统一了动态和连续时间表示，并比较了随机生存森林和泊松分段指数等各种模型。研究发现，时间行为数据，而非静态人口统计数据，是辍学风险最重要的预测因素。