机构名称：
¥ 1.0
多矩数据，包括基因组，转录组，表观遗传学和蛋白质组学数据，在确定癌症患者的临床结果方面已越来越重要。最近的几项研究评估了癌症存活预测的各种多模式整合策略，突出了对模型绩效结果标准化的需求。解决此问题，我们介绍了Survoble，这是一个标准化关键实验设计选择的基准框架。survobles可以在单癌和泛伴奏数据模型之间进行比较，并评估使用缺失方式的患者数据的好处。我们还谈到了预处理和验证多摩萨癌生存模型的常见陷阱。我们将生存板应用于几个模范用例，进一步证实统计模型倾向于优于深度学习方法，尤其是用于测量生存功能校准的指标。此外，大多数模型在泛伴随式环境中接受培训时表现出更好的性能，并且可以从缺少某些OMICS模式的数据的样本中受益。我们提供了用于模型评估的Web服务，并使我们的基准结果易于访问和可查看：https：//www.survboard.science/。所有代码均可在github上获得：https：//github.com/boevalab/survboard/。所有基准输出均可在Zenodo上获得：https：//zenodo.org/records/11066227。
机器人技术的信息处理模式可预测人类视觉系统的属性
主要关键词
相关文件推荐
