随机生存森林(RSF)近期SCI论文发表 |
您所在的位置:网站首页 › 随机生存森林模型 › 随机生存森林(RSF)近期SCI论文发表 |
在临床数据库分析中,常规的临床数据分析最用的COX回归分析,但对于部分临床数据,常规COX回归分析有时很难达到较好拟合性能,而使用更复杂的机器学习生存方法则可以在某些模型上取代COX回归分析。 近期我们针对生物医学领域开发了Python机器学习在生物医学领域中的论文实战。包含了机器学习生存和深度学习生存全部模型 随机生存森林模型(Random Survival Forest)就是方法机器学习生存算法中其中一种,且在生物医学应用广泛,多数可取代COX回归模型或者在COX模型基础上更加精进。下面我么来看最近的机器学习生存相关SCI论文有哪些。 1.深度学习生存模型预测ICU患者预后(IF7.9),处理深度学习生存之外作者同样使用了随机生存森林(RSF)。 2.MRI影像组学结合随机生存森林预测化疗癌症病人预后(IF 4.6,RSF+COX) 3.深度学习提取影像数据特征,随机生存森林建立预后模型,Pytorch CNN+RSF (IF 11.2) 4.随机生存森林预测糖尿病肾病患者的心脏病预后,同时使用COX+RSF 除此之外还有很多文章: 随机生存森林模型除了常规的预测预后之外,同样可以对预后变量的重要性进行排序,对于鉴别重要的预后变量特征意义重大。 随机生存模型可以用C-index, 时间依赖的ROC曲线,和IBF分值和COX回归模型做拟合精确度的对比。 除此之外,为了使预后的临床模型更精确,可以使用交叉验证,超参数搜索等机器学习等技术。 链接:
内容咨询: |
今日新闻 |
推荐新闻 |
CopyRight 2018-2019 办公设备维修网 版权所有 豫ICP备15022753号-3 |