lesson
6.1.1.9 PLANN模型：离散时间生存分析
本课程围绕 PLANN（Partial Logistic Regression Models with ANN）模型，讲解其如何以时间区间和协变量作为输入，通过前馈神经网络估计离散风险概率。课程涵盖模型结构、与 Cox 模型的对比、离散时间数据与监督信号、负对数似然损失、分组数据的经验风险率修正、NIC 准则及头颈部癌症实验中的模型配置选择。课程最后通过知识检测巩固核心概念。
open.maic10 个模块30 分钟
学习目标
- 解释 PLANN 模型的基本定义及其与传统 Cox 模型的主要差异
- 描述 PLANN 的前馈神经网络结构及时间区间与协变量的输入方式
- 说明离散时间生存数据的分区间处理、二元监督信号与负对数似然损失
- 概述分组数据中经验风险率的用途及修正损失函数的作用
- 解释 NIC 准则在隐藏节点数与惩罚因子选择中的使用方式
- 解读头颈部癌症实验中的参数搜索范围与最优配置结果
课程大纲
- 01
课程概述与PLANN模型简介
介绍 PLANN 的定义、核心创新与主要功能。
- 02
PLANN模型结构解析
解析三层前馈神经网络结构，说明时间区间与协变量如何输入并输出条件风险概率。
- 03
风险函数与Cox模型的对比
对比 Cox 比例风险模型的线性假设与 PLANN 的非线性拟合方式，说明基线风险与可解释性。
- 04
离散时间数据处理与监督信号
说明连续生存时间如何划分为离散区间，以及二元监督信号与二元交叉熵损失。
- 05
通用损失函数（负对数似然）
从离散时间生存数据的似然出发，解释负对数似然损失及各符号含义。
- 06
分组数据的经验风险率与损失函数修正
说明按全分类协变量分组的策略、经验风险率定义及修正损失函数对稳定性和过拟合的影响。
- 07
NIC准则与模型配置选择
解释 NIC 准则、有效参数数量、正则化损失及隐藏节点数与惩罚因子的搜索思路。
- 08
头颈部癌症实验：模型选择结果
概述头颈部癌症实验中隐藏节点数与惩罚因子的搜索范围、最优配置和 NIC 最小值。
- 09
课程总结与核心要点回顾
回顾 PLANN 的输入、激活函数、损失函数、技术优势、正则化与模型选择要点。
- 10
PLANN模型知识检测
通过概念题检测对 PLANN 模型结构、损失函数和模型选择的掌握情况，不提供答案提示。