基于DeepSurv和IML的上市公司财务危机预警研究

本文基于2019~2022年首次被ST的公司及其配对样本建立DeepSurv模型对上市公司财务危机预警展开研究,相较于主流的SVM和BP神经网络模型表现更优。为提高机器学习模型“黑箱”操作的可解释性,使用可解释机器学习从整体和局部两方面解读DeepSurv模型。研究表明:(1)公司应重点关注企业价值、负债、非财务表现和流动资产四个方面;(2)Gscore与有形资产负债率、ROIC与权益乘数、综合杠杆与Gscore、权益乘数与有形资产负债率之间存在交互效应。

基于Deepsurv模型预测非转移性前列腺癌患者的生存率

目的建立Deepsurv深度神经网络模型与Cox比例风险回归模型并比较两种模型对非转移性前列腺癌症患者生存时间的预测性能。方法从SEER数据库中选择2014-2018年确定诊断为非转移性前列腺癌的男性患者,将患者数据集按照8∶2划分为训练集和测试集,构建Deepsurv深度神经网络模型的基本结构。利用随机超参数优化搜索算法获得预定义范围内的最优网络超参数,建立模型后在训练集上训练,并在测试集上测试。通过一致性指数(C-index)、ROC曲线下面积(AUC)和Brier分数(Brier Score)比较Deepsurv深度神经网络模型和Cox比例风险回归模型对非转移性前列腺癌症患者1、3年生存情况的预测性能。结果建立了以患者年龄、前列腺特异性抗原(PSA)水平、前列腺癌组织恶性程度(Gleason分级)、肿瘤分期(T分期)和活检核心阳性总数为预后因素的预测模型。Deepsurv深度神经网络模型的C-index为0.713,高于Cox比例风险回归模型的0.654;Deepsurv深度神经网络模型预测患者1、3年生存率的Brier Score为0.312、0.229,低于Cox比例风险回归模型的0.356、0.241;ROC曲线显示,Deepsurv深度神经网络模型预测患者1、3年生存率的AUC为0.680、0.652,高于Cox比例风险回归模型的0.631、0.649。结论Deepsurv深度神经网络模型在预测非转移性前列腺癌患者的生存方面的表现优于传统的Cox比例风险回归模型。

机器学习法在生存分析中的应用研究

生存分析广泛应用于医学研究领域,Cox比例风险模型是最常用的生存分析模型之一,但实际应用受到限制。机器学习法在非线性数据处理和预测准确度方面能够弥补Cox比例风险模型的不足。本文对以神经网络为代表的机器学习法在生存分析领域的研究进展进行综述,重点介绍DeepSurv、Deep-Hit和随机生存森林3种机器学习生存分析模型的原理和优势,为复杂生存资料的分析提供方法学参考。