16、肿瘤学中基于RNA-seq数据的神经网络生存预测

肿瘤学中基于RNA-seq数据的神经网络生存预测

1. 研究背景与模型介绍

在肿瘤学中，利用RNA-seq数据进行生存预测是一个重要的研究方向。传统的低维输入模型在高维环境下的性能和适应性有待研究。为此，提出了两种神经网络方法。

• NNsurv网络 ：原模型仅适用于低维输入，研究其在高维环境下的性能。在隐藏层使用ReLU激活函数替代原有的Sigmoid函数，可提升性能。
• NNsurv-deep网络 ：在NNsurv基础上，增加一个补充隐藏层，研究更深结构是否能提高神经网络的预测能力。其输入层不变，个体在神经网络输入时仍会重复，输出层有一个对应离散风险估计的神经元。这两个神经网络可在https://github.com/mathildesautreuil/NNsurv获取。

将比较四个模型（Cox-Lasso、Cox-nnet、NNsurv、NNsurv-deep）在模拟数据和真实数据集上的性能。

2. 模拟实验设计

为比较不同神经网络方法在高维环境下预测生存时间的性能，设计了模拟实验，分为两部分：
- 模拟模型选择
- Cox模型 ：基于Cox模型生成生存数据，该模型自然有利于基于Cox模型的两种方法。使用Weibull分布作为基线风险函数。
- 加速风险（AH）模型 ：变量会加速或减速风险，生存曲线可能相交。使用对数正态分布作为基线风险函数。
-