ResSurv: Cancer Survival Analysis Prediction Model Based on Residual Networks

生存预测是癌症预后分析的一个重要分支。通过TCGA基因组数据预测生存风险的模型可以发现与癌症相关的基因，并根据患者特征提供诊断和治疗建议。我们发现，基于Cox比例风险的深度学习模型在处理高通量数据时经常出现过度拟合的问题。此外，我们发现，随着网络层数的增加，实验结果不会变得更好，反而会发生网络退化。基于这个问题，我们提出了一个基于深度残差学习的新框架。结合Cox比例风险和残差的思想，并将其命名为ResSurv。首先，ResSurv是由多个基本ResNet块堆叠的前馈深度学习网络。在每个ResNet块中，我们添加了一个归一化层，以防止梯度消失和梯度爆炸。其次，对于神经网络的损失函数，我们继承了Cox比例风险方法，将CPH模型的半参数应用于神经网络，结合部分似然模型，建立了损失函数，并进行了反向传播和梯度更新。最后，我们比较了不同深度的ResSurv网络，并发现我们可以有效地提取高维特征。消融实验和比较实验证明了我们的模型已经达到了深度学习领域的SOTA（最先进技术），并且我们的网络可以有效地提取深层信息。

本论文旨在解决高通量数据下基于Cox比例风险模型的深度学习模型过拟合问题，提出了一种新的基于深度残差学习的框架ResSurv。

ResSurv是一个基于多个基本ResNet块组成的前馈深度学习网络，每个ResNet块都添加了归一化层以防止梯度消失和梯度爆炸。损失函数采用Cox比例风险方法，结合偏差估计模型建立，进行反向传播和梯度更新。

本论文提出的ResSurv框架在高通量数据下具有较好的预测效果，能够有效提取高维特征。实验设计了多个对比实验和消融实验，证明了模型的优越性。使用了TCGA数据集，代码已开源。值得进一步深入研究。

最近相关研究包括：'DeepSurv: personalized treatment recommender system using a Cox proportional hazards deep neural network', 'Deep learning for cancer prognosis: predicting survival using a recurrent neural network'等。