【源码】基于Python和TensorFlow框架的生存分析项目

项目简介

本项目基于Python和TensorFlow框架，围绕快手自主开发的集成生存分析软件KwaiSurvival开展。该软件能让使用者在Python编程环境下，高效利用生存分析模型进行大规模数据分析。项目对多个深度学习生存分析模型进行测试，具备模型训练、预测、评估等功能，同时探索了数据处理、模型保存等方面。

项目的主要特性和功能

1. 多模型集成：集成DeepSurv、DeepHit和DeepMultiTasks三个深度学习生存分析模型，满足不同生存分析场景需求。
2. 模型评估：支持用Harrell’ concordance index（C - index）评估模型预测结果准确性，衡量模型区分能力。
3. 数据处理：可借助其他开源项目的数据进行测试，有一定数据适配能力。
4. 模型保存：为自定义的loss / Transform添加get_config函数，解决模型保存报错问题。
5. 训练与预测：能对模型进行训练，对新数据进行预测并得到生存函数预测结果。
6. 可视化：可绘制KM曲线，直观展示生存函数随时间的变化情况。

安装使用步骤

环境准备

假设用户已下载本项目的源码文件，需确保系统已安装Python环境，并按如下命令安装指定版本的TensorFlow： pip install --pre tensorflow==2.2 -i https://pypi.tuna.tsinghua.edu.cn/simple 若在Windows 10系统上升级tf - cpu版本报错ImportError：DLL load failed：找不到指定模块，需下载并安装Visual Studio 2015、2017和2019。

代码运行

1. 模型训练与保存（以DeepSurv为例）： ```python import pandas as pd from DeepSurv import DeepSurv

df = pd.read_csv('test/KwaiSurvival/demo/example_data.csv') label = 'Time' event = 'Event'

ds = DeepSurv(df, label, event)

epochs = 100 ds.train(epochs)

ds.model.save('test/KwaiSurvival/path_to_my_model_DeepSurv.h5') 2. **模型预测**：python scores = ds.predict_score(ds.X) 3. **模型评估**：python ds.concordance_eval(X=None, event_times=None, event_observed=None) ds.concordance_eval(X=ds.X, event_times=ds.label, event_observed=ds.event)

ds.concordance_eval(X=df.iloc[:4, :4].to_numpy(), event_times=df[label][:4], event_observed=df[event][:4]) 4. **生存函数预测与可视化**：python survival_function = ds.predict_survival_func(ds.X)

ds.plot_survival_func(ds.X, 1000) ```

需注意，项目目前处于实验版，部分功能可能存在问题，如DeepMultiTasks模型训练时可能出现loss为nan的情况，使用时可根据实际情况进行调试和优化。

下载地址

点击下载 【提取码: 4003】【解压密码: www.makuang.net】