Using Bayesian Neural Networks to Select Features and Compute Credible Intervals for Personalized Survival Prediction
Notice bibliographique
Résumé
An Individual Survival Distribution (ISD) models a patient's personalized survival probability at all future time points. Previously, ISD models have been shown to produce accurate and personalized survival estimates (for example, time to relapse or to death) in several clinical applications. However, off-the-shelf neural-network-based ISD models are usually opaque models due to their limited support for meaningful feature selection and uncertainty estimation, which hinders their wide clinical adoption. Here, we introduce a Bayesian-neural-network-based ISD (BNN-ISD) model that produces accurate survival estimates but also quantifies the uncertainty in model's parameter estimation, which can be used to (1) rank the importance of the input features to support feature selection and (2) compute credible intervals around ISDs for clinicians to assess the model's confidence in its prediction. Our BNN-ISD model utilized sparsity-inducing priors to learn a sparse set of weights to enable feature selection. We provide empirical evidence, on 2 synthetic and 3 real-world clinical datasets, that BNN-ISD system can effectively select meaningful features and compute trustworthy credible intervals of the survival distribution for each patient. We observed that our approach accurately recovers feature importance in the synthetic datasets and selects meaningful features for the real-world clinical data as well, while also achieving state-of-the-art survival prediction performance. We also show that these credible regions can aid in clinical decision-making by providing a gauge of the uncertainty of the estimated ISD curves.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».