多重图引导的深度生存分析

《IEEE Transactions on Knowledge and Data Engineering》：Multiplex Graph Guided Deep Survival Analysis

　　生存分析中引入多层数据共享和图指导蒸馏，构建MGG-Surv框架以解决患者间复杂关系建模和可扩展推断问题。实验表明该框架在单终点和竞争风险场景下均优于现有方法。

　　

摘要：

生存分析被广泛用于分析感兴趣事件的概率，尤其是在医学领域。目前大多数研究将患者视为独立的个体，忽略了患者之间的复杂关联，从而导致有价值信息的未充分利用。最近，一些研究通过引入患者图结构来克服这一局限性。然而，这些方法通常忽略了两个关键问题：1）异质性患者间关系的探索；2）针对测试样本的灵活且可扩展的归纳推理。为了应对这些挑战，本研究提出了一种新的框架——多重图引导的深度生存分析（MGG-Surv）。具体来说，我们使用多重患者图来捕捉全面的患者间关联信息。此外，我们提出了一个师生双网络架构，其中教师网络对多重图进行编码，并通过一种称为“图引导蒸馏”的单向连接将学习到的图知识传递给学生网络。学生网络无需患者图即可整合这些图知识来预测生存结果。这些创新设计在实现灵活且可扩展的无图推理的同时，促进了患者间关系的全面整合。在四个数据集上的实验（包括单一风险和竞争风险情况）证明了我们框架的优越性能。