This page organizes papers related to artificial intelligence published around the world. This page is summarized using Google Gemini and is operated on a non-profit basis. The copyright of the paper belongs to the author and the relevant institution. When sharing, simply cite the source.
CoxKAN: Kolmogorov-Arnold Networks for Interpretable, High-Performance Survival Analysis
Created by
Haebom
Category
Empty
저자
William Knottenbelt, William McGough, Rebecca Wray, Woody Zhidong Zhang, Jiashuai Liu, Ines Prata Machado, Zeyu Gao, Mireia Crispin-Ortuzar
개요
CoxKAN은 해석 가능하고 고성능의 생존 분석을 위해 개발된 Cox 비례 위험 Kolmogorov-Arnold Network입니다. 딥러닝 모델의 높은 성능과 기존 방식의 해석 가능성의 절충을 해결하고자 합니다. CoxKAN은 4개의 합성 데이터셋과 9개의 실제 데이터셋 (5개의 임상 데이터 코호트 및 4개의 유전체학 바이오마커)에 대해 평가되었습니다. 결과적으로, CoxKAN은 기존 Cox 비례 위험 모델보다 C-index에서 최대 4%까지 성능이 향상되었으며, 딥러닝 기반 모델과 유사하거나 더 나은 성능을 보였습니다. 또한, CoxKAN은 예측 변수 간의 복잡한 상호 작용을 밝혀내고 기호 공식을 발견하여 주요 바이오마커가 환자 위험에 미치는 영향을 명확하게 보여주는 능력을 갖추었습니다.
시사점, 한계점
•
시사점:
◦
해석 가능한 Cox 모델 제시 (CoxKAN).
◦
높은 성능 (기존 모델 대비 향상, 딥러닝 모델과 동등 이상).
◦
특징 선택 및 해석 가능한 공식 발견 능력.
◦
임상 및 유전체학 데이터에 적용 가능.
◦
GitHub 및 Zenodo에서 사용 가능.
•
한계점:
◦
논문에서 구체적인 한계점 언급 없음. (일반적으로 KAN의 복잡성, 훈련 시간, 데이터 의존성 등 고려 가능)
