概述

我想使用Chi、Street 和 Wolberg撰写的题为“基于人工神经网络的生存分析在两个乳腺癌数据集上的应用”的论文中描述的神经网络来模拟生存预测，其中评估并返回代表时间点的 1 的目标向量概率的向量。不幸的是，他们没有提供用于创建该方法的软件。

例如，需要在神经网络中训练具有time、 （表示活着或死亡）和其他预测变量的数据集。status将有一个数据结构来保存研究需要的时间点（例如{1,1,1,1,1,1}，三年中的六个月间隔）。考虑到上述预测变量后，该模型的输出将如下所示：{0.98761,0.91111,0.82710,0.70003,0.64253,0.47181}对应于：

          6      12      18      24      30      36
1   0.98761 0.91111 0.82710 0.70003 0.64253 0.47181
2   ...

这些数据可用于将来输入网络的记录。

R 神经网络包

我一直在寻找在nnet,neuralnet和rminer包中实现这一点的方法，不幸的是我有限的知识无法修改它们以满足我的需要。我只知道这些预测名义值和数值，但现在如何做向量。

到目前为止，这些包中与预测相关的函数并未提示使用向量作为输出。

1. nnet的predict()描述清楚地说明如下。

   通过训练有素的神经网络预测新示例。

   # X1, X2, and the rest of predictive variables
   model.nnet <- nnet(Surv(time,status)~X1+X2, data=data.train, size=1, maxit=500)
   

2. neuralnet'scompute()不支持类似目标向量的支持。

   针对给定协变量向量计算给定神经网络。

3. rminer'spredict()并lforecast()证明有潜力（基于示例），但我不知道如何将它们转变为我想做的事情。

4. 据说该survnnet软件包支持该软件包predictSurvProb的常用功能，但由于 Internet 上的文档和支持不佳，我没有使用它。pec

   通过训练有素的生存神经网络预测新示例。

   model.survnet <- survnnet(Surv(time,status)~X1+X2, data=dat,
       model='llog', decay=0.1, bias.decay=25, size=1,
       skip=T, alpha=0.1)  
   predictions   <- predict(model.survnet, data.train, type="raw")
   

Cox PH（目前已知的方法）

coxph到目前为止，我得到的最接近的方法是cph应用于使用数字兴趣点声明变量的predictSurvProb函数。times

通常我这样做：

data.train  <- SimSurv(300)
model.coxph <- cph(Surv(time,status)~X2,data=dat,surv=TRUE,x=TRUE,y=TRUE)

# declare target times as 25,50,75,100,150 for probabilities
predictions <- predictSurvProb(coxph12, newdata=data.train, times=c(25,50,75,100,150))
round(predictions, digits=6) 

我会得到我指定的每个时间段的概率输出：

          25       50       75      100      150
1   0.648268 0.509353 0.460196 0.425917 0.324364
2   0.648268 0.509353 0.460196 0.425917 0.324364
3   0.756732 0.648020 0.607077 0.577596 0.484789
4   0.648268 0.509353 0.460196 0.425917 0.324364
5   0.648268 0.509353 0.460196 0.425917 0.324364

这些现在可以作为新变量集成到数据集中用于其他目的。

我现在想在具有目标向量的神经网络中实现这一点，或者像上面的例子一样，实现与 Cox PH 过程类似的实现。

不幸的是，正如我之前所说，我无法在网上找到一个简单的软件包或教程来说明这是否可行。

我检查了数据挖掘软件 WEKA 的MultilayerPerceptron实现，但它要求结果变量（或者在我的情况下是概率向量）首先存在，这将我带回到 R 中。

这种方法在这些 R 包中是否可行，或者唯一的方法是创建我自己的？所有帮助和建议将不胜感激。