Buchumschlag

Deep Survival Analysis in Multimodal Medical Data: A Parametric and Probabilistic Approach with Competing Risks

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Garrido, Alba, Almodóvar, Alejandro, Apellániz, Patricia A., Parras, Juan, Zazo, Santiago
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

CausalKANs: interpretable treatment effect estimation with Kolmogorov-Arnold networks
von: Almodóvar, Alejandro, et al.
Veröffentlicht: (2025)

Kolmogorov-Arnold causal generative models
von: Almodóvar, Alejandro, et al.
Veröffentlicht: (2026)

Interpretable Clinical Classification with Kolmogorov-Arnold Networks
von: Almodóvar, Alejandro, et al.
Veröffentlicht: (2025)

An improved tabular data generator with VAE-GMM integration
von: Apellániz, Patricia A., et al.
Veröffentlicht: (2024)

Synthetic Tabular Data Validation: A Divergence-Based Approach
von: Apellániz, Patricia A., et al.
Veröffentlicht: (2024)

DeCaFlow: A deconfounding causal generative model
von: Almodóvar, Alejandro, et al.
Veröffentlicht: (2025)

Artificial Inductive Bias for Synthetic Tabular Data Generation in Data-Scarce Scenarios
von: Apellániz, Patricia A., et al.
Veröffentlicht: (2024)

Deep Survival Analysis for Competing Risk Modeling with Functional Covariates and Missing Data Imputation
von: Gao, Penglei, et al.
Veröffentlicht: (2025)

Decision-Aware Proximal Bridge Learning for Optimal Treatment Selection
von: Garriga, Tomàs, et al.
Veröffentlicht: (2026)

HACSurv: A Hierarchical Copula-Based Approach for Survival Analysis with Dependent Competing Risks
von: Liu, Xin, et al.
Veröffentlicht: (2024)

PyDTS: A Python Package for Discrete-Time Survival Analysis with Competing Risks and Optional Penalization
von: Meir, Tomer, et al.
Veröffentlicht: (2022)

Automated and Interpretable Survival Analysis from Multimodal Data
von: Malafaia, Mafalda, et al.
Veröffentlicht: (2025)

CRISP-NAM: Competing Risks Interpretable Survival Prediction with Neural Additive Models
von: Ramachandram, Dhanesh, et al.
Veröffentlicht: (2025)

Efficient Training of Probabilistic Neural Networks for Survival Analysis
von: Lillelund, Christian Marius, et al.
Veröffentlicht: (2024)

FPBoost: Fully Parametric Gradient Boosting for Survival Analysis
von: Archetti, Alberto, et al.
Veröffentlicht: (2024)

Survival Models: Proper Scoring Rule and Stochastic Optimization with Competing Risks
von: Alberge, Julie, et al.
Veröffentlicht: (2024)

Real‐Time, Interpretable Diagnostics for Solid‐State Batteries via Machine Learning on In Situ Impedance Spectra
von: Zachary Warren, et al.
Veröffentlicht: (2026)

SDPM: Survival Diffusion Probabilistic Model for Continuous-Time Survival Analysis
von: Kirpichenko, Stanislav R., et al.
Veröffentlicht: (2026)

Deep Learning for Survival Analysis: A Review
von: Wiegrebe, Simon, et al.
Veröffentlicht: (2023)

Stochastic Thermodynamics of Learning Parametric Probabilistic Models
von: Parsi, Shervin Sadat
Veröffentlicht: (2023)

PRIME-CVD: A Parametrically Rendered Informatics Medical Environment for Education in Cardiovascular Risk Modelling
von: Kuo, Nicholas I-Hsien, et al.
Veröffentlicht: (2026)

Deep Learning of Semi-Competing Risk Data via a New Neural Expectation-Maximization Algorithm
von: Salerno, Stephen, et al.
Veröffentlicht: (2022)

A Data-Driven Probabilistic Framework for Cascading Urban Risk Analysis Using Bayesian Networks
von: Kumar, Chunduru Rohith, et al.
Veröffentlicht: (2025)

ConSurv: Multimodal Continual Learning for Survival Analysis
von: Yu, Dianzhi, et al.
Veröffentlicht: (2025)

Survival Kernets: Scalable and Interpretable Deep Kernel Survival Analysis with an Accuracy Guarantee
von: Chen, George H.
Veröffentlicht: (2022)

Deep Dynamic Probabilistic Canonical Correlation Analysis
von: Tang, Shiqin, et al.
Veröffentlicht: (2025)

Flexible Deep Neural Networks for Partially Linear Survival Data: Estimation and Survival Inference
von: Arie, Asaf Ben, et al.
Veröffentlicht: (2025)

Non-Parametric Probabilistic Robustness: A Conservative Risk Estimator under Unknown Perturbation Distributions
von: Wang, Zheng, et al.
Veröffentlicht: (2025)

TorchSurv: A Lightweight Package for Deep Survival Analysis
von: Monod, Mélodie, et al.
Veröffentlicht: (2024)

Deep End-to-End Survival Analysis with Temporal Consistency
von: Vieyra, Mariana Vargas, et al.
Veröffentlicht: (2024)

Interpretable Fine-Gray Deep Survival Model for Competing Risks: Predicting Post-Discharge Foot Complications for Diabetic Patients in Ontario
von: Ramachandram, Dhanesh, et al.
Veröffentlicht: (2025)

Predicting Breast Cancer Survival: A Survival Analysis Approach Using Log Odds and Clinical Variables
von: Alamu, Opeyemi Sheu, et al.
Veröffentlicht: (2024)

Analyzing Breast Cancer Survival Disparities by Race and Demographic Location: A Survival Analysis Approach
von: Farha, Ramisa, et al.
Veröffentlicht: (2025)

A Multimodal Object-level Contrast Learning Method for Cancer Survival Risk Prediction
von: Yang, Zekang, et al.
Veröffentlicht: (2024)

NeuralSurv: Deep Survival Analysis with Bayesian Uncertainty Quantification
von: Monod, Mélodie, et al.
Veröffentlicht: (2025)

Deep Semi-Supervised Survival Analysis for Predicting Cancer Prognosis
von: Sun, Anchen, et al.
Veröffentlicht: (2026)

From Risk to Rescue: An Agentic Survival Analysis Framework for Liquidation Prevention
von: Spadea, Fernando, et al.
Veröffentlicht: (2026)

Probabilistic Runtime Verification, Evaluation and Risk Assessment of Visual Deep Learning Systems
von: Torpmann-Hagen, Birk, et al.
Veröffentlicht: (2025)

Competing Risks: Impact on Risk Estimation and Algorithmic Fairness
von: Jeanselme, Vincent, et al.
Veröffentlicht: (2025)

TraCeR: Transformer-Based Competing Risk Analysis with Longitudinal Covariates
von: Ries, Maxmillan, et al.
Veröffentlicht: (2025)