在臨床數(shù)據(jù)庫分析中，常規(guī)的臨床數(shù)據(jù)分析最用的COX回歸分析，但對于部分臨床數(shù)據(jù)，常規(guī)COX回歸分析有時很難達到較好擬合性能，而使用更復(fù)雜的機器學(xué)習(xí)生存方法則可以在某些模型上取代COX回歸分析。

近期我們針對生物醫(yī)學(xué)領(lǐng)域開發(fā)了Python機器學(xué)習(xí)在生物醫(yī)學(xué)領(lǐng)域中的論文實戰(zhàn)。包含了機器學(xué)習(xí)生存和深度學(xué)習(xí)生存全部模型

隨機生存森林模型（Random Survival Forest）就是方法機器學(xué)習(xí)生存算法中其中一種，且在生物醫(yī)學(xué)應(yīng)用廣泛，多數(shù)可取代COX回歸模型或者在COX模型基礎(chǔ)上更加精進。下面我么來看最近的機器學(xué)習(xí)生存相關(guān)SCI論文有哪些。

1.深度學(xué)習(xí)生存模型預(yù)測ICU患者預(yù)后（IF7.9），處理深度學(xué)習(xí)生存之外作者同樣使用了隨機生存森林（RSF）。

2.MRI影像組學(xué)結(jié)合隨機生存森林預(yù)測化療癌癥病人預(yù)后（IF 4.6，RSF+COX）

3.深度學(xué)習(xí)提取影像數(shù)據(jù)特征，隨機生存森林建立預(yù)后模型，Pytorch CNN+RSF (IF 11.2)

4.隨機生存森林預(yù)測糖尿病腎病患者的心臟病預(yù)后，同時使用COX+RSF

除此之外還有很多文章：

隨機生存森林模型除了常規(guī)的預(yù)測預(yù)后之外，同樣可以對預(yù)后變量的重要性進行排序，對于鑒別重要的預(yù)后變量特征意義重大。

隨機生存模型可以用C-index，

時間依賴的ROC曲線，和IBF分值和COX回歸模型做擬合精確度的對比。

除此之外，為了使預(yù)后的臨床模型更精確，可以使用交叉驗證，超參數(shù)搜索等機器學(xué)習(xí)等技術(shù)。

鏈接：

??????????????????????????????????????????

內(nèi)容咨詢：