统计学 > 方法论
[提交于 2022年5月5日
]
标题: 高维生存分析:方法与应用
标题: High-Dimensional Survival Analysis: Methods and Applications
摘要: 在精准医学时代,诸如死亡或进展的时间等时间-事件结果通常与高通量协变量一起被收集。 这些高维数据使得经典生存回归模型难以拟合,或者由于过拟合可能导致预测能力低下。 为克服这一问题,最近的研究重点放在开发用于特征选择和生存预后的新方法上。 我们将回顾处理高维预测变量的生存结果数据的各种前沿方法,并突出机器学习方法在生存预测方面的最新创新。 我们将涵盖这些方法背后的统计直觉和原理,并以存在竞争事件的情况作为更复杂设置的扩展来结束。 我们通过波士顿肺癌生存队列研究的应用来说明这些方法,这是研究肺癌复杂机制的最大癌症流行病学队列之一。
文献和引用工具
与本文相关的代码,数据和媒体
alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)
演示
推荐器和搜索工具
arXivLabs:与社区合作伙伴的实验项目
arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。
与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。
有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.