[论文解读] Deep Learning for Survival Analysis: A Review

Simon Wiegrebe, Philipp Kopper+3 more|arXiv (Cornell University)|May 24, 2023

Health, Environment, Cognitive Aging参考文献 142被引用 6

一句话总结

本文对用于生存分析的深度学习（DL）方法进行了全面的系统性综述，根据生存分析和DL特有的特征对方法进行分类。研究识别出关键的方法论空白，如对复杂删失和多风险情景的处理有限，并提出一个开源、交互式的表格以追踪和更新基于DL的生存模型，推动该领域内的社区协作发展。

ABSTRACT

The influx of deep learning (DL) techniques into the field of survival analysis in recent years has led to substantial methodological progress; for instance, learning from unstructured or high-dimensional data such as images, text or omics data. In this work, we conduct a comprehensive systematic review of DL-based methods for time-to-event analysis, characterizing them according to both survival- and DL-related attributes. In summary, the reviewed methods often address only a small subset of tasks relevant to time-to-event data - e.g., single-risk right-censored data - and neglect to incorporate more complex settings. Our findings are summarized in an editable, open-source, interactive table: https://survival-org.github.io/DL4Survival. As this research area is advancing rapidly, we encourage community contribution in order to keep this database up to date.

研究动机与目标

• 系统回顾应用于生存分析的深度学习方法，重点关注其方法论设计和适用性。
• 识别当前基于DL的生存模型的常见局限性，例如在处理多风险或区间删失事件等复杂数据结构时的范围狭窄。
• 提供一个结构化、开放且可编辑的框架，用于追踪和分类基于DL的生存模型，以支持持续的研究工作。
• 鼓励社区贡献，以维护一个更新及时、全面的基于DL的生存分析方法资源库。
• 评估当前深度学习在生存分析领域的技术水平，并为未来的方法论发展提供指导。

提出的方法

• 作者对同行评审的关于深度学习在生存分析中应用的文献进行了系统性回顾，重点关注时间至事件数据。
• 根据生存分析属性（如删失类型、风险结构）和深度学习组件（如网络架构、损失函数）对方法进行分类。
• 综述涵盖了使用多种数据类型的研究，如图像、文本和组学数据，以评估DL处理高维或非结构化输入的能力。
• 开发了一个交互式、开源且可编辑的表格，用于编目已审查的方法，托管于 https://survival-org.github.io/DL4Survival。
• 该框架支持动态更新和社区贡献，以确保其持续的相关性和准确性。
• 通过链接至公开可获取的资源和代码，强调方法论的透明度和可复现性。

实验结果

研究问题

• RQ1 在生存分析中，最常使用的深度学习架构有哪些？它们如何处理删失或截断的时间至事件数据？
• RQ2 现有基于DL的生存模型在多大程度上能超越单一风险、右删失数据的范畴，推广至更具复杂性的场景，如竞争风险或区间删失？
• RQ3 基于DL的生存分析方法在不同数据模态（包括图像、文本和组学数据）中的表现如何？
• RQ4 当前基于DL的生存模型在方法论上存在哪些关键空白，特别是在可解释性和鲁棒性方面？
• RQ5 研究社区如何可持续地维护和更新一个全面、及时的基于DL的生存分析方法目录？

主要发现

• 大多数审查的基于DL的生存模型仅专注于单一风险、右删失数据，忽视了竞争风险或区间删失等更复杂的生存设定。
• 尽管在处理医学图像和组学谱等高维或非结构化数据方面取得进展，但许多模型在推广至真实临床数据的复杂性方面仍显不足。
• 综述识别出基于DL的生存方法在评估指标和报告实践方面存在显著缺乏标准化。
• 作者开发并发布了位于 https://survival-org.github.io/DL4Survival 的开源、交互式且社区维护的数据库，用于编目和追踪基于DL的生存模型。
• 该数据库设计为可编辑和可扩展，支持持续的整理工作，确保随着领域发展，该资源始终保持最新状态。
• 本研究强调了在生存分析的深度学习中迫切需要方法论创新，特别是在多事件建模和动态预测场景方面。