南宫28加拿大软件

光华讲坛——【海外名家讲堂】DEEP LEARNING OF SEMI-COMPETING RISK DATA VIA A NEW NEURAL EXPECTATION-MAXIMIZATION ALGORITHM基于新型神经期望最大化算法的半竞争风险数据深度学习

主题：DEEP LEARNING OF SEMI-COMPETING RISK DATA VIA A NEW NEURAL EXPECTATION-MAXIMIZATION ALGORITHM基于新型神经期望最大化算法的半竞争风险数据深度学习

主讲人：美国密歇根大学公共卫生南宫28加拿大软件生物统计学系 李颐（YI LI）教授

主持人：统计与数据科学南宫28加拿大软件 林华珍教授

时间：7月14日16:00-17:00

地点：柳林校区弘远楼408ng28南宫国际app议室

主办单位：统计与数据科学南宫28加拿大软件 国际交流与合作处 科研处

主讲人简介：

李颐教授，现任美国密歇根大学公共卫生南宫28加拿大软件生物统计学系教授、M. Anthony Schork讲席教授，并担任公共卫生南宫28加拿大软件中国项目主任及全球统计核心中心联合主任。他是国际知名的生物统计学家，在生存分析、高维数据、测量误差模型、空间统计及统计遗传学等领域做出了重要贡献。他的研究致力于发展面向复杂生物医学数据的创新统计方法，特别聚焦于存在删失、测量误差、高维协变量与空间相关性的建模问题。其方法论成果广泛应用于癌症预后、肾脏疾病、呼吸系统健康及传染病研究等重要公共卫生与临床领域。他已在国际顶尖统计学期刊发表论文270余篇，包括Journal of the American Statistical Association、Biometrika、Biometrics 等。他的学术成果被广泛引用，Google Scholar引用19316次，h指数60，i10指数183。

内容提要：

Prognostication for lung cancer, a leading cause of mortality, remains a complex task, as it needs to quantify the associations of risk factors and health events spanning a patient’s entire life. One challenge is that an individual’s disease course involves non-terminal (e.g., disease progression) and terminal (e.g., death) events, which form semi-competing relationships. Our motivation comes from the Boston Lung Cancer Study, a large lung cancer survival cohort, which investigates how risk factors influence a patient’s disease trajectory. Following developments in the prediction of time-to-event outcomes with neural networks, deep learning has become a focal area for the development of risk prediction methods in survival analysis. However, limited work has been done to predict multi-state or semi-competing risk outcomes, where a patient may experience adverse events such as disease progression prior to death. We propose a neural expectation-maximization algorithm for semi-competing risks to bridge the gap between classical semi-competing survival models and deep learning. Our algorithm enables estimation of the nonparametric baseline hazards of each state transition, risk functions of predictors, and the degree of dependence among different transitions, via a multitask deep neural network with transition-specific sub-architectures. We apply our method to the Boston Lung Cancer Study and investigate the impact of clinical and genetic predictors on disease progression and mortality.

肺癌作为主要死因之一，其预后判断仍是一项复杂工作，因为这需要量化贯穿患者整个生命周期的危险因素与健康事件之间的关联。一个难点在于，个体的疾病进程包含非终末事件（如疾病进展）和终末事件（如死亡），二者构成半竞争关系。本报告的动机来自波士顿肺癌研究——一项大型肺癌生存队列，该队列旨在探索危险因素如何影响患者的疾病轨迹。随着神经网络在时间至事件结局预测方面的发展，深度学习已成为生存分析中风险预测方法研发的关注焦点。然而，针对多状态或半竞争风险结局（患者可能在死亡前经历疾病进展等不良事件）的预测研究仍然有限。主讲人团队提出一种用于半竞争风险的神经期望最大化算法，以弥合经典半竞争生存模型与深度学习之间的鸿沟。该算法通过具有转移专属子架构的多任务深度神经网络，能够估计各状态转移的非参数基线风险、预测变量的风险函数，以及不同转移之间的依赖程度。主讲人团队将此方法应用于波士顿肺癌研究，并考察了临床和遗传预测因素对疾病进展及死亡率的影响。