BP神经网络在生存分析中的应用.doc

《BP神经网络在生存分析中的应用.doc》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、BP神经网络在生存分析中的应用作者：李丽霞,郜艳晖,张丕德,张瑛,邹宇华【摘要】目的探讨BP神经网络在生存分析中的应用。方法通过贲门癌预后的实例说明神经网络的连续时间模型与离散时间模型的使用。结果所建立的神经网络生存分析模型有较好的预测能力。结论神经网络在生存分析中有很大的灵活性，在模型中可以容纳非线性效应，协变量的效应可以随时间而变化，不要求满足PH假定，有较广泛的应用前景。【关键词】BP神经网络；生存分析；贲门癌　　Abstract:ObjectiveToexploretheapplicationofBPneuralnetworkinthesurvivalanalysis.Met

2、hodThreeapproacheshavebeenillustratedhowtofitsurvivalmodelforcarcinomaofthegastriccardia.ResultsTheneuralnetworkmodelshavegoodpredictiveability.ConclusionBPneuralnetworkisveryflexiblewithoutmakingassumptionofproportionalityofhazards,itcanallownon-linearpredictorsandtheeffectofthecovariatestovar

3、yovertime,soithasbroadapplicationprospects.　　Keywords:BPneuralnetwork;survivalanalysis;carcinomaofthegastriccardia　　生存分析（survivalanalysis）起源于19世纪对寿命表的分析，目前已广泛应用到临床研究中，可以处理含有删失值的数据，可以同时考虑事件发生的结局及发生结局的时间。目前处理生存资料的方法有参数模型、非参数模型及半参数模型。参数模型对生存时间的分布要求非常严格，医学资料中很少能满足；生存分析中传统的回归模型，例如：Cox比例风险模型、加速失效时间模型

4、也要求模型满足一定的假设前提，而实际数据往往难以满足这些假设。神经网络近年来受到普遍的关注，在医学领域中的应用主要预测与分类，与传统回归模型不同，它可以克服这些缺点，在模型中可以容纳非线性效应，交互效应、协变量的效应可以随时间变化。目前国内研究神经网络在生存分析中的应用尚较少，本文拟探讨几种不同的神经网络生存模型在贲门癌预后中的应用。　　1方法　　BP神经网络是目前应用最多的神经网络，一般由一个输入层（inputlayer）、一个输出层（outputlayer）、一个或几个中间层（隐层）组成，每一层可包含一个或多个神经元，其中每一层的每个神经元和前一层相连接，同一层之间没有连接。输入

5、层神经元传递输入信息到第一隐层或直接传到输出层，隐层的神经元对输入层的信息加权求和，加一个常数后，经传递函数运算后传到下一个隐层（或输出层），常用的传递函数是logistic函数，即φh=1/(1+exp5(－z))，输出层神经元对前一层的输入信息加权求和经传递函数φ0（线性或logistic函数或门限函数）运算后输出，例如：如果输入为xi，对于含一个隐层的神经网络可以得到：　　g(xi,θ)=φ0(αk+∑i≠kwikxi+∑jwjkφh(αj+∑iwijxi))（1）　　θ表示未知的参数矢量（即各层的网络权值），BP神经网络一般采用BP算法训练网络，训练开始时选择初始值0，BP算

6、法通过梯度下降法得到估计值，使得g(x,)能很好地估计实测值，关于BP算法及改进可参考相关文献［1］。　　　　利用BP神经网络模型建立生存分析模型，常用的方法有：连续时间模型（continuoustimemodels）与离散时间模型（discretetimemodels）。　　1.1连续时间模型（continuoustimemodels）　　　　最常用的是Faraggi和Simon［2］提出的方法，在Cox比例风险模型中,风险函数与时间、协变量有如下关系：　　h(t,xi)=h0(t)exp(βxi)（2）　　通过最大化偏似然函数，使用Newton-Raphson法得到参数的估计值，

7、现在使用神经网络的输出值g(xi,θ)来代替（2）中的线性项βxi，比例风险模型变成h(t,xi)=h0(t)exp［g(xi,θ)］，有偏似然函数：　　Lc(θ)=∏i∈uexp∑jwjk/(1+exp(－wijxi))/∑j∈Riexp∑jwjk/(1+exp(－wijxj))(3)　　g(xi,θ)可以依赖时间和协变量变化，也就是说协变量的效应可以随时间而变化，这给我们提供了一个可以处理删失变量但又不需要满足比例风险模型的PH假定的可供选择的方法。