DeepSurv

DeepSurv 使用 Theano 和 Lasagne 实现了 Cox 比例风险模型（Cox proportional hazards model）的深度学习泛化版本。

与传统的 Cox 回归相比，DeepSurv 的优势在于它无需预先选择协变量（covariates），而是能够自适应地学习这些特征。

DeepSurv 可用于多种生存分析（survival analysis）应用场景。项目提供了一个医疗应用示例：recommend_treatment，该功能可为一组患者观测数据提供治疗建议。

更多详情，请参阅完整论文：DeepSurv: Personalized Treatment Recommender System Using A Cox Proportional Hazards Deep Neural Network。

如需使用 PyTorch 实现的更新版 Cox 损失函数（Cox loss function），请参考 Yamada 等人开发的 基于随机门控的特征选择方法（Feature Selection using Stochastic Gates, STG）。

安装：

从源码安装

下载 DeepSurv 的本地副本，并在该目录中进行安装：

git clone https://github.com/jaredleekatzman/DeepSurv.git
cd DeepSurv
pip install .

依赖项

Theano、Lasagne（最新开发版）、lifelines、matplotlib（用于可视化）、tensorboard_logger，以及它们各自的所有依赖项。

运行测试

安装完成后，您可选择在命令行中进入仓库主目录后运行测试套件：

py.test

运行实验

实验通过基于 floydhub 深度学习 Docker 镜像构建的 Docker 容器运行。DeepSurv 可在 CPU 或 GPU（使用 nvidia-docker）上运行。

所有实验均位于 DeepSurv/experiments/ 目录中。

要运行某个实验，请将实验名称定义为环境变量 EXPRIMENT，然后运行 docker-compose 文件。更多细节请参见 DeepSurv/experiments/ 目录。

训练网络

训练 DeepSurv 仅需几行代码。 首先，您只需准备包含以下键值的数据集：

{ 
	'x': (n,d) 观测数据（dtype = float32）, 
 	't': (n) 事件发生时间（dtype = float32）,
 	'e': (n) 事件指示器（dtype = int32）
}

接着准备一个超参数字典。训练网络仅需两行代码：

network = deepsurv.DeepSurv(**hyperparams)
log = network.train(train_data, valid_data, n_epochs=500)

随后，您可以在测试数据上评估其性能：

network.get_concordance_index(**test_data)
>> 0.62269622730138632

如果您已安装 matplotlib，可在训练完成后绘制训练和验证曲线：

deepsurv.plot_log(log)

DeepSurv 快速上手指南

环境准备

• 系统要求：支持 Python 的 Linux/macOS/Windows 系统，推荐使用 Linux（如 Ubuntu）以获得最佳兼容性。
• 前置依赖：
  • Python 3.x
  • Theano
  • Lasagne（需安装最新开发版）
  • lifelines
  • matplotlib（可选，用于绘图）
  • tensorboard_logger

⚠️ 注意：Lasagne 需要从源码安装“bleeding edge”版本，官方 PyPI 版本可能不兼容。

安装步骤

git clone https://github.com/jaredleekatzman/DeepSurv.git
cd DeepSurv
pip install .

🇨🇳 国内用户建议使用清华或阿里云镜像加速 pip 安装：

pip install . -i https://pypi.tuna.tsinghua.edu.cn/simple

安装完成后可选运行测试：

py.test

基本使用

1. 准备数据格式

数据需为字典格式，包含以下键：

{
    'x': (n,d) 观测值 (dtype = float32),
    't': (n) 事件发生时间 (dtype = float32),
    'e': (n) 事件指示器（是否发生事件，dtype = int32)
}

2. 定义超参数并训练模型

import deepsurv

hyperparams = { ... }  # 自定义超参数字典
network = deepsurv.DeepSurv(**hyperparams)

log = network.train(train_data, valid_data, n_epochs=500)

3. 评估模型效果

c_index = network.get_concordance_index(**test_data)
print(c_index)
# 输出示例: 0.62269622730138632

4. 可视化训练过程（需安装 matplotlib）

deepsurv.plot_log(log)

✅ 提示：如需 PyTorch 版本的 Cox 损失函数实现，可参考 STG 项目。