Bayesian Survival Analysis by Approximate Inference of Neural Networks

本文探讨了在生存分析中，利用贝叶斯方法建模不确定性对预测和校准性能的好处。传统的非贝叶斯方法无法区分确定性和不确定性预测，也无法解释其预测的置信度。在医疗和生物医学领域，将贝叶斯方法应用于最先进的解决方案仍然是新颖的，其影响尚未完全评估。本文提出了一个贝叶斯深度学习框架，由三个贝叶斯网络架构组成，通过优化Cox部分似然并结合输入相关的Aleatoric不确定性和模型特定的Epistemic不确定性进行训练。这使我们能够在预测生存曲线时提供置信区间的不确定性估计，或者在预测中位生存时间时提供概率密度函数。在四个基准数据集上进行的实证分析表明，我们的方法在协调指数上表现与最先进的方法相当，并且在平均绝对误差方面优于所有其他基于Cox的方法。本文明确比较了不同贝叶斯近似技术之间的差异程度，并提高了传统非贝叶斯替代方案的预测能力。

本文旨在研究在生存分析中建模不确定性的贝叶斯深度学习框架，以提高预测和校准性能。

本文提出了一个由三个贝叶斯网络架构组成的贝叶斯深度学习框架，通过优化Cox偏似然并将输入相关的aleatoric不确定性与模型特定的epistemic不确定性相结合，提供可信区间的不确定性估计。

作者在四个基准数据集上评估了他们的方法，并发现该方法表现与最先进的方法相当，而在平均绝对误差方面优于所有其他基于Cox的方法。本文提供了开源代码。

最近的相关研究包括：DeepSurv: Personalized Treatment Recommender System Using A Cox Proportional Hazards Deep Neural Network、Bayesian Deep Learning for Survival Analysis: Potentials and Challenges、A Survey on Deep Learning in Survival Analysis。