基于Cox-nnet的弥漫性大B细胞淋巴瘤预后预测模型

目的基于一种新的神经网络架构Cox-nnet构建弥漫性大B细胞淋巴瘤的预后预测模型,及早发现高危和低危患者,为进一步的临床治疗提供参考。方法首先构建两种常用的低维生存数据的Cox-nnet和Cox模型,验证Cox-nnet是否适用于低维的生存数据,然后通过单因素Cox回归和参考相关文献筛选用于构建弥漫性大B细胞淋巴瘤(diffuse large B-cell lymphoma, DLBCL)模型的协变量,分别构建DLBCL的Cox-nnet和Cox模型。结果最终选入构建DLBCL预后预测模型的协变量有25个,Cox-nnet的一致性指数(0.724)比Cox(0.685)提升了5.7%。肝硬化数据的Cox-nnet一致性指数(0.818)比Cox(0.804)提升了1.7%,乳腺癌数据的Cox-nnet一致性指数(0.660)比Cox(0.600)提升了10%。结论 Cox-nnet适用于低维的生存数据,基于Cox-nnet构建的弥漫性大B细胞淋巴瘤预后预测模型性能与传统的Cox回归相比较有较大提升。

基于自动编码器降维的Cox神经网络扩展模型在肺腺癌组学数据中的应用

目的 在自动编码器对肺腺癌基因表达组学数据进行降维的基础上,构建Cox的神经网络扩展模型,从而对肺腺癌患者预后进行预测。方法 首先通过两种无监督学习方法:自动编码器和主成分分析分别对肺腺癌的基因表达数据进行降维,然后构建Cox-nnet模型,并与DeepSurv模型进行比较,从中选择预测性能较好的方法来识别肺腺癌的高低危患者。结果 在TCGA与GEO两个数据集中,基于自动编码器降维后的Cox-nnet模型均有较好的一致性指数与AUC值,且高低预后两组患者的生存率都具有统计学差异。结论 自动编码器比主成分分析更适用于基因表达数据的无监督降维,且经自动编码器降维后的Cox-nnet模型拥有较好的预测性能,可以明显地区分肺腺癌的高低危患者,为肺腺癌的预后研究提供科学依据。