Авторы расширяют框架 эмпирического байесовского вариационного автокодировщика (EB-VAE) для совместного моделирования лонгитюдных измерений опухоли и данных о выбывании по времени до события. Подход использует априорное распределение, обусловленное ковариатами, для представления межличностной изменчивости и дополняет декодер моделью риска для учета информативного выбывания.
- Гибридные полу-механистические декодеры восстановили параметры эффекта лечения, согласующиеся с оценками нелинейных смешанных эффектов, сохраняя при этом нейронную производительность.
- Генетическое условие улучшило априорные предсказания на индивидуальном уровне в экспериментах по меланоме кожи и раку молочной железы.
- Стабильный отбор выявил биологически правдоподобные генетические индикаторы, включая изменения в BRAF, NRAS, NF1 и MDM2.
Эта работа демонстрирует, что EB-VAE предоставляет гибкий вероятностный框架 для объединения нейронной динамики, механистической структуры и высокоразмерных ковариат в фармакометрических приложениях.