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：