Predictive assessment and comparison of Bayesian survival models for cancer recurrence

Thumbnail Image

Files

master_Suorsa_Saku_2025.pdf (964.93 KB)

URL

Journal Title

Journal ISSN

Volume Title

School of Science | Master's thesis
Unless otherwise stated, all rights belong to the author. You may download, display and print this publication for Your own personal use. Commercial use is prohibited.

Authors

Date

2025-10-19

Department

Major/Subject

Machine Learning, Data Science and Artificial Intelligence

Mcode

Degree programme

Master's Programme in Computer, Communication and Information Sciences
Master's Programme in Computer, Communication and Information Sciences
Master's Programme in Computer, Communication and Information Sciences

Language

en

Pages

47

Series

Abstract

Complex data features, such as unmodelled censored event times and variables with time-dependent effects, are common in cancer recurrence studies and pose challenges for Bayesian survival modelling. However, current methodologies for predictive model checking and comparison often fail to adequately address these features. This paper bridges that gap by introducing new, targeted recommendations for predictive assessment and comparison of Bayesian survival models for cancer recurrence. Our recommendations cover a variety of different scenarios and models. Accompanying code together with our implementations to open source software help in replicating the results and applying our recommendations in practice.

Syövän uusiutumista käsittelevä data sisältää tyypillisesti monimutkaisia rakenteita, kuten mallintamattomia sensuroituja uusiutumisaikoja ja aikariippuvia muuttujia. Nämä aiheuttavat haasteita bayesiläisten selviytymismallien prediktiivisessä mallintarkistuksessa ja vertailussa. Tässä tutkielmassa kyseisiä haasteita pyritään ratkaisemaan antamalla uusia suosituksia syövän uusiutumista ennustavien bayesiläisten selviytymismallien prediktiiviseen mallintarkistukseen ja vertailuun. Antamamme suositukset kattavat useita eri malleja useissa eri tilanteissa. Työhön sisältyvä koodi ja avoimen lähdekoodin ohjelmistototeutukset helpottavat tulosten toistamista ja suositusten soveltamista käytännössä.

Description

Supervisor

Vehtari, Aki

Keywords

Bayesian inference, survival analysis, predictive model checking, predictive model comparison, cross-validation, cancer recurrence

Other note

Citation

Permanent link to this item

https://urn.fi/URN:NBN:fi:aalto-202512179370

Collections

[dipl] Perustieteiden korkeakoulu / SCI