Comparison of methods for early-readmission prediction in a high-dimensional heterogeneous covariates and time-to-event outcome framework
Sorbonne University（索邦大学）；Assistance Publique-Hôpitaux de Paris（巴黎公立医院集团）；Université Paris Descartes（巴黎笛卡尔大学）；École Polytechnique（巴黎综合理工学院）；Univ Evry（埃夫里大学）；Université Paris-Saclay（巴黎-萨克雷大学）
背景资料：在预后研究中，选择在结果预测或变量选择方面最有效的方法是一个反复出现的问题，导致许多关于方法比较的出版物。但有些方面很少受到关注。首先，大多数比较研究分别对待预测性能和变量选择方面。其次，方法要么在二元结果设置（基于任意选择的延迟）或生存设置中进行比较，但不能两者兼而有之。在本文中，我们提出了一种比较方法，在预测和变量选择方面对这些不同的设置进行加权，同时结合先进的机器学习策略。方法：使用一个高维度的病例研究镰状细胞病（SCD）队列，我们比较了8种统计方法。在二元结果设置中，我们考虑了逻辑斯谛回归（LR）、支持向量机（SVM）、随机森林（RF）、梯度增强（GB）和神经网络（NN）;而在生存分析设置中，我们考虑了Cox比例风险（PH）、CURE和C-mix模型。然后，我们比较了所有方法在风险预测和变量选择方面的性能，重点是弹性网络正则化技术的使用。结果如下：在所有评估的统计方法中，C-mix模型在两种考虑的环境中以及有趣的解释方面都具有更好的性能。在一个设置中，不同方法之间的选定协变量具有一定的一致性，但在两个设置中的一致性并不高。结论：似乎首先在生存设置内学习，然后使用生存估计返回到二进制预测显著增强了二进制预测。
2018-07-25 cs.LG stat.ML
Interim decision-making strategies in adaptive designs for population selection considering post-progression survival magnitudes
靶向治疗的发展，这只有利于一个特定类型的癌症治疗的患者亚组，一直非常有吸引力的许多研究人员。如果存在预定义的生物标志物假设，则可以在肿瘤学临床试验中使用适应性无缝II/III期设计，并进行亚群选择的中期分析。我们考虑使用至事件发生时间终点进行中期分析，例如，总生存期（OS）和无进展生存期（PFS），以确定是否整个人群或仅生物标志物阳性人群应继续进入后续阶段，而最终决定是基于OS数据。在本文中，我们提出了中期决策策略的自适应设计与相关的终点，考虑后进展生存期（PPS）的幅度。在我们的方法中，通过结合OS和PFS的信息，根据预测能力做出临时决定。我们仅在做出中期决策时考虑PFS数据，以补充不成熟的OS数据。假设靶向治疗的模拟研究表明，我们的中期决策程序在选择适当人群方面表现良好，特别是在PPS影响PFS至OS获益转化的情况下。
2016-03-07 stat.AP
SurvTRACE: Transformers for Survival Analysis with Competing Events
UIUC（伊利诺伊大学厄巴纳-香槟分校）
在医学中，生存分析研究的是关注事件（如死亡）的持续时间。一个主要的挑战是如何处理多个竞争事件（例如，多种疾病诊断）。在这项工作中，我们提出了一个基于transformer的模型，该模型不假设潜在的生存分布，并且能够处理竞争事件，即SurvTRACE。我们解释了在多事件场景中观察设置中的隐性\emph{confounders}，这会导致选择偏倚，因为预测的生存概率受到不相关因素的影响。为了充分利用生存数据从头开始训练Transformers，多个辅助任务被设计用于多任务学习。因此，该模型从所有这些任务中学习到一个强大的共享表示，从而有助于更好地进行生存分析。我们进一步展示了如何通过SurvTRACE的可解释的注意力机制来检查协变量的相关性和重要性，这足以在加强临床试验设计和新治疗开发方面发挥巨大潜力。在METABRIC、SUPPORT和SEER数据集上的实验验证了该方法的全面优越性。
2022-06-27 cs.AI cs.LG stat.ML
Principled Selection of Baseline Covariates to Account for Censoring in Randomized Trials with a Survival Endpoint
对具有至事件发生时间终点的随机试验的分析几乎总是受到删失问题的困扰。由于删失机制通常是未知的，分析通常采用无信息删失的假设。虽然随着更多基线协变量的调整，这一假设通常变得更合理，但这种调整也引起了人们的担忧。预先规定哪些协变量将被调整（以及如何调整）是困难的，因此促使使用数据驱动的变量选择程序，这可能会阻碍有效的推断。此外，协变量的调整增加了对模型误设的担忧，以及调整集的每次变化也会改变删失假设和处理效应被估量。在本文中，我们讨论了这些问题，并提出了一个简单的变量选择策略，旨在产生一个有效的测试的空在大样本。该建议可以使用现成的（惩罚）Cox回归软件来实现，并且根据经验发现在模拟研究和真实数据分析中效果良好。
2020-07-16 stat.AP stat.ME
Survival Analysis with Graph-Based Regularization for Predictors
本文提出一种基于图正则化的Cox比例风险模型用于生存分析中的变量选择，通过图结构融合变量相关性，并利用与组套索的联系开发高效算法，提供理论保证并在合成及真实器官移植数据上验证了改进性能。
2025-04-24 math.ST stat.TH
DAGSurv: Directed Acyclic Graph Based Survival Analysis Using Deep Neural Networks
IIIT Delhi（德里印度信息技术学院）；IIIT Guwahati（古瓦哈提印度信息技术学院）
观察性生存数据的因果结构提供了关于协变量与至事件发生时间之间关系的关键信息。我们从信息理论的信源编码参数的动机，并表明，将知识的有向无环图（DAG）可以是有益的，如果采用合适的源编码器。作为一个可能的源编码器在这种情况下，我们推导出一个变分推理为基础的条件变分自编码器的因果结构化生存预测，我们称之为DAGSurv。我们说明了DAGSurv在低维和高维合成数据集以及METABRIC和GBSG等真实数据集上的性能。我们证明了所提出的方法优于其他生存分析基线，如Cox比例风险，DeepSurv和Deephit，这些基线忽略了数据实体之间的潜在因果关系。
2021-11-02 cs.LG stat.ML
Functional Decomposition and Shapley Interactions for Interpreting Survival Models
Leibniz Institute for Prevention Research（预防研究与流行病学研究所）；Faculty of Mathematics（数学系）；Computer Science, University of Bremen（计算机科学，不莱梅大学）；University of Warsaw（华沙大学）；Centre for Credible AI, Warsaw University of Technology（可信人工智能中心，华沙技术大学）；Bielefeld University（比勒菲尔德大学）
本文提出SurvFD和SurvSHAP-IQ，用于解释生存模型中的特征交互和时间依赖性，通过分解高阶效应提供新的可解释方法。
2026-02-18 cs.LG stat.ML
Enabling Counterfactual Survival Analysis with Balanced Representations
Duke University（杜克大学）
平衡表征学习方法已经成功地应用于从观测数据中进行反事实推理。然而，解释生存结局的方法相对有限。在各种医疗应用中经常遇到生存数据，即，药物开发、风险分析和临床试验，并且这些数据也与制造等领域相关（例如，设备监控）。当关注的结局是至事件发生时间时，需要采取处理删失事件的特殊预防措施，因为忽略删失结局可能导致偏倚估计。我们提出了一个理论上接地适用于生存结果的反事实推理的统一框架。此外，我们制定了一个非参数风险比指标，用于评估平均和个性化的处理效应。在真实世界和半合成数据集上的实验结果表明，所提出的方法在生存结局预测和治疗效果估计方面都显着优于竞争对手。
2021-03-03 cs.LG stat.ML
Hazard Gradient Penalty for Survival Analysis
NAVER R&D Center（NAVER研发中心）；NAVER CLOVA；NAVER AI LAB（NAVER人工智能实验室）
生存分析出现在医学、经济学、工程学和商业等各个领域。近年来的研究表明，常微分方程（ODE）建模框架统一了许多现有的生存模型，同时该框架具有灵活性和广泛的适用性。然而，天真地将ODE框架应用于生存分析问题可能会建模剧烈变化的密度函数，这可能会使模型的性能恶化。虽然我们可以将L1或L2正则化器应用于ODE模型，但它们对ODE建模框架的影响几乎不为人知。在本文中，我们提出了危险梯度惩罚（HGP），以提高生存分析模型的性能。我们的方法通过正则化风险函数关于数据点的梯度来对局部数据点施加约束。我们的方法适用于任何生存分析模型，包括ODE建模框架，易于实现。我们从理论上表明，我们的方法是有关的最小化KL之间的分歧的密度函数在一个数据点和附近的点。在三个公共基准上的实验结果表明，我们的方法优于其他正则化方法。
2022-05-27 cs.LG stat.ML
Isotonic Survival Regression: Calibrated Survival Distributions from Deep Cox Models
EECS, MIT（MIT电子工程与计算机科学系）
本文提出一种非递减回归方法，用于校准深度Cox模型的生存概率，通过理论保证和实验验证提升模型实用性。
2026-05-15 cs.AI cs.LG stat.ML
Distribution-Free Selection of Low-Risk Oncology Patients for Survival Beyond a Time Horizon
University of Southern California（南加州大学）；Merck & Co., Inc.（默克公司）
本文提出两种无分布框架，用于在固定时间范围内选择低风险肿瘤患者，通过校准筛查规则实现生存时间的保证。
2026-09-02 stat.AP stat.ME
Interpreting Hierarchical Composite Endpoints with Survival and Longitudinal Outcomes: Application to Amyotrophic Lateral Sclerosis Trials
Stanford University（斯坦福大学）；University Medical Center Utrecht（乌得勒支大学医学中心）
本文提出分解分层复合终点获胜概率的方法，以区分生存和功能贡献，并通过ALS模拟验证，指导CAFS终点的解释。
2026-09-24 stat.ME
Continuous Treatment Recommendation with Deep Survival Dose Response Function
本文提出 DeepSDRF 框架，从含混杂的临床生存观测数据中学习 CADR 函数，并结合随机搜索或强化学习构建经选择偏倚校正的连续治疗推荐方法。
2023-09-26 cs.AI cs.LG econ.EM
Should univariate Cox regression be used for feature selection with respect to time-to-event outcomes?
重要提示：至事件发生时间结局常用于临床试验和生物标志物发现研究，并主要使用考克斯比例风险模型进行分析。但目前还不清楚，当主要关注事件发生时间结果时，应推荐哪些统计模型用于特征选择任务。目的：探讨对数转换生存时间的高斯回归在特征选择上是否优于考克斯比例风险模型。设计：真实模型为10个协变量的多变量考克斯比例风险模型。对于所有特征选择比较，假设对于所有模型拟合，仅观察/测量10个真实特征中的5个，以及5个随机噪声特征。使用10，000个模拟数据集探索每个样本量和删失率场景。将不同的统计模型应用于同一数据集以估计特征效应。模型性能比较使用敏感性，特异性和准确性的效果大小排名。研究结果：当特征是独立的并且真实模型是多变量考克斯比例风险模型时，对数转换生存时间的高斯回归在特征选择方面，仅两个协变量的（反应变量）优于单变量考克斯比例风险模型和逻辑斯谛回归，不仅灵敏度更高，特异性相当，而且效应量排序的准确性更高，无论样本量和删失率值如何。结论和相关性：本研究证明了在至事件发生时间结局的特征选择实践中纳入对数转换生存时间的高斯回归的重要性。
2022-08-20 stat.ME
Feature Selection Approach with Missing Values Conducted for Statistical Learning: A Case Study of Entrepreneurship Survival Dataset
在这篇文章中，我们调查的功能，提高区分生存的微型和小型企业（MSE）使用的方法，数据挖掘与特征选择。根据数据集的复杂性，提出了均值填补（MI）、k-最近邻（KNN）和期望最大化（EM）三种数据填补方法的比较，采用互选变量技术，通过t检验，然后通过数据挖掘过程采用逻辑斯谛回归分类方法、朴素贝叶斯算法、线性判别分析和支持向量机从而比较它们各自的性能。实验结果将在开发一个模型来预测MSE生存传播，一旦它成为巴西GPA和宏观经济的重要组成部分，就可以更好地理解这个主题。
2018-10-02 cs.LG stat.ML
A Change-Point Model for Detecting Heterogeneity in Ordered Survival Responses
在这篇文章中，我们提出了一种新的统计方法，考虑生存异质性作为一个断点模型，在一个有序的序列的时间事件变量。需要根据数值协变量对生存应答进行排序。我们的估计方法旨在检测可能通过有序协变量产生的异质性。我们正式介绍我们的模型作为一个受约束的隐马尔可夫模型（HMM），其中隐藏的状态是未知的分割（断点位置）和观察到的状态是生存响应。我们推导出一个有效的期望最大化（EM）框架，最大限度地提高了这个模型的可能性，广泛的基线危险形式（参数或非参数）。文中还导出了断点的后验分布，并讨论了利用惩罚似然准则选择分段数的问题。我们的生存断点模型的性能最终在糖尿病数据集上进行了说明，其中观察到的生存时间根据疾病发作的日历时间进行排序。
2016-09-23 stat.AP
Exogenous time-varying covariates in double additive cure survival model with application to fertility
扩展治愈生存模型能够将影响事件概率（或"长期"生存）的协变量与仅影响事件时间（或"短期"生存）的协变量分开。我们建议推广有界累积风险模型，以处理时变（外源）协变量共同影响长期和短期生存的附加项。惩罚参数的选择是该框架中的一个挑战。提出了一种基于拉普拉斯近似的贝叶斯P样条模型快速算法。该方法的动机是生育率研究，妇女的特点，如就业状况和收入（仅举几例），可以在一个不平凡的和频繁的方式在个人的后续行动。该方法还说明了从德国养恤基金，使我们能够研究妇女的时间变化的收入如何与第一次生育的过渡登记数据。
2023-02-02 stat.ME
High-Dimensional Survival Analysis: Methods and Applications
本文综述了处理高维协变量下生存结果数据的各种前沿方法，重点介绍了机器学习在生存预测中的最新创新，并通过Boston Lung Cancer Survival Cohort研究展示了其应用。
2022-05-05 stat.ME
Doubly Robust Conformalized Survival Analysis with Right-Censored Data
Department of Data Sciences and Operations（数据科学与运营系）；Department of Computer Science, University of Southern California（计算机科学系，南加州大学）；Merck & Co., Inc.（默克公司）
针对右删失数据，提出一种基于机器学习插补和加权共形推断的双重稳健生存时间下界预测方法，在模型不准确时仍保持稳健。
2025-05-23 cs.LG stat.ME
Unbiased split variable selection for random survival forests using maximally selected rank statistics
University of KwaZulu-Natal（夸祖鲁-纳塔尔大学）
分析生存数据最常用的方法是Cox回归模型。然而，考克斯模型可能被错误地指定，其比例假设可能并不总是得到满足。生存预测的另一种方法是生存结果的随机森林。随机生存森林的标准分裂准则是对数秩检验统计量，它倾向于用许多可能的分裂点分裂变量。条件推理森林避免了这种分裂变量选择偏差。但是，默认情况下，在条件推断森林中使用线性秩统计量来选择最佳拆分变量，该变量无法检测自变量中的非线性效应。另一种方法是使用最大选择的秩统计量进行分裂点选择。与条件推断森林一样，拆分变量在p值尺度上进行比较。然而，在条件推理森林中使用的条件蒙特卡罗方法，而不是使用p值近似。我们描述了几个p值的近似和建议的随机森林方法的实施。模拟研究表明，无偏的分裂变量选择是可能的。然而，在无偏的分割变量选择和运行时间之间存在权衡。在模拟和真实数据集上的预测性能的基准研究中，如果将信息二分变量与具有更多类别的无信息变量相结合，则新方法的性能优于随机生存森林，并且如果包括非线性协变量效应，则优于条件推理森林。在运行时比较中，如果使用简单的p值近似，则该方法被证明在计算上比两种替代方法更快。
2018-05-16 cs.LG stat.ML
Neural Frailty Machine: Beyond proportional hazard assumption in neural survival regressions
Ant Group（蚂蚁集团）；Fudan University（复旦大学）；Coupang（库潘）
本研究提出神经脆弱性机（NFM）框架，结合乘性脆弱性思想与神经网络处理生存回归的异质性和非线性依赖，推导出两种高效训练的模型，在理论上提供收敛速率保证，实验中在6个基准数据集上性能优于现有最优生存模型。
2023-10-04 cs.LG math.ST stat.TH
Evidence synthesis with reconstructed survival data
我们提出了一种综合证据的时间事件终点汇总数据（AD）的荟萃分析的一般方法。我们的工作超越了以前的大多数元分析研究，使用重建的生存数据作为信息来源。本文介绍了一种贝叶斯多水平回归模型，即重建生存数据的元分析（MARS），通过对重建的生存信息与其他类型的汇总数据进行建模和整合，来估计风险比函数和生存概率。该方法试图减少选择偏倚，并从传统的方法局限于风险比估计放宽了对个体临床研究中比例风险的假设。在理论上，我们建立了MARS的渐近一致性，并探讨其相对效率的个人参与者数据（IPD）的荟萃分析。在模拟研究中，MARS表现出与IPD荟萃分析相当的性能，与真实值的偏差较小，这表明在有限样本的AD荟萃分析中可以实现很大的鲁棒性和效率。最后，我们将MARS应用于急性髓性白血病的荟萃分析，以评估微小残留病与生存的相关性，以帮助回应FDA对替代生物标志物在血液系统恶性肿瘤药物开发中的翻译使用的新关注。
2022-01-02 stat.ME
Tutorial on survival modeling with applications to omics data
本文提出适用于高维组学数据的通用生存分析流程，重点介绍 Cox 型惩罚回归与分层贝叶斯特征选择模型，并提供基于 TCGA 数据的 R 教程。
2024-03-04 q-bio.GN stat.AP
Geographically Weighted Cox Regression for Prostate Cancer Survival Data in Louisiana
Cox比例风险模型是公共卫生研究中分析事件发生时间数据的最常用工具之一。当从不同地区的临床数据中观察到的结果产生与位置相关的变化模式时，研究协变量的空间变化效应通常非常有趣。在本文中，我们提出了一个地理加权Cox回归模型的稀疏空间生存数据。此外，在县一级引入了随机邻域加权方案。建议的地理加权估计的理论特性进行了详细研究。讨论了一种基于Takeuchi模型鲁棒信息准则（TIC）的模型选择方案。进行了广泛的模拟研究，以检查所提出的方法的经验性能。我们进一步应用所提出的方法来分析路易斯安那州的监测，流行病学和最终结果癌症登记处的前列腺癌的真实数据。
2019-08-24 stat.AP
Selection of the Optimal Personalized Treatment from Multiple Treatments with Right-censored Multivariate Outcome Measures
我们提出了一种新的个性化的概念，最佳治疗选择的情况下，响应是一个多变量向量，可能包含右删失变量，如生存时间。所提出的方法可以应用于任何数量的治疗和结果变量，在一组广泛的模型。在将协变量和响应联系起来的工作半参数单指数模型之后，我们首先定义了一个由单个协变量构建的患者特定综合评分。然后，我们估计每个响应的条件平均值，给定患者评分，对应于每个治疗，使用非参数平滑估计。接下来，应用等级聚合技术来估计基于由条件平均值给出的治疗性能测量的等级列表的治疗的排序。我们通过将截尾权重的逆概率引入到相应的估计量中来处理右删失数据。实证研究说明了所提出的方法在有限样本问题中的性能。为了显示所提出的程序对真实数据的适用性，我们还使用HIV临床试验数据进行了数据分析，其中包含右删失生存事件作为终点之一。
2022-09-29 stat.ME
Tree-based methods for length-biased survival data
National Cancer Center（韩国国立癌症中心）；Yonsei University（延世大学）；Seoul National University College of Medicine（首尔大学医学院）；Seoul Metropolitan Government-Seoul National University Boramae Medical Center（首尔市政府-首尔大学八良医疗中心）；Ewha Womans University（梨花女子大学）
针对长度偏差右删失数据，在条件推断框架下提出新的生存树和随机森林方法，利用完全似然得分函数进行变量分裂，并采用两种无偏生存函数估计器，提高了树构建效率和生存预测准确性。
2026-06-23 stat.ME
A mixture Cox-Logistic model for feature selection from survival and classification data
Université catholique de Louvain（鲁汶天主教大学）
本文提出了一种原始的方法，联合拟合生存时间和分类样本到子组。Coxlogit模型是一个广义线性模型，具有两个任务的共同选定特征集。生存时间和类别标签在这里被假定为由取决于这些特征的共同风险评分来调节。然后，学习自然地表示为最大化子组标签的联合概率和生存事件的排序，以公共权重向量为条件。通过坐标下降算法最小化正则化对数似然估计模型。合成和乳腺癌数据的验证表明，所提出的方法优于标准的Cox模型或逻辑斯谛回归时，预测的生存时间和分类新的样本到亚组。它也更擅长为这两项任务选择信息特征。
2015-02-05 cs.LG stat.ME stat.ML
Survival of the fittest Cox model: Pivotal variable selection for time-to-event data
University of Geneva（日内瓦大学）
该研究重新审视Cox比例风险模型改进生存分析变量选择，通过部分似然平方根变换使正则化参数选择关键，结合信息准则与惩罚回归方法优点，在模拟和真实数据上显著优于现有方法。
2026-07-15 cs.LG math.ST stat.ML
Variable selection for nonlinear Cox regression model via deep learning
Biogen（百健）
研究非线性Cox回归模型的变量选择问题。在生存分析中，一个主要目标是识别与发生关注事件的风险相关的协变量。Cox比例风险模型在生存分析中广泛用于研究生存时间和协变量之间的关系，该模型假设协变量对风险函数具有对数线性效应。然而，这种线性假设在实践中可能并不满足。为了提取具有代表性的特征子集，已经提出了各种变量选择方法用于线性Cox模型下的生存数据。然而，很少有文献对非线性Cox模型的变量选择。为了打破这一差距，我们将最近开发的基于深度学习的变量选择模型LassoNet扩展到生存数据。仿真结果验证了该方法的有效性和可行性。最后，我们应用所提出的方法来分析弥漫性大B细胞淋巴瘤的真实数据集。
2022-11-17 cs.LG stat.ME stat.ML
Multi-Omic Data Integration and Feature Selection for Survival-based Patient Stratification via Supervised Concrete Autoencoders
King’s College London（伦敦国王学院）；Institute for Infocomm Research, A*STAR（新加坡科技研究局资讯通信研究院）
癌症是一种复杂的疾病，具有重大的社会和经济影响。高通量分子测定的进步和执行高质量多组学测量的成本降低，推动了通过机器学习的见解。以前的研究已经显示出使用多个组学层来预测生存和分层癌症患者的希望。在本文中，我们开发了一个监督自动编码器（SAE）模型的生存为基础的多组学集成，改进了以前的工作，并报告了具体的监督自动编码器模型（CSAE），它使用特征选择，以共同重建输入功能，以及预测生存。我们的实验表明，我们的模型优于或等同于一些最常用的基线，同时提供更好的生存分离（SAE）或更可解释（CSAE）。我们还对我们的模型进行了特征选择稳定性分析，并注意到通常与生存相关的特征之间存在幂律关系。该项目的代码可在以下网址获得：https://github.com/phcavelar/coxae
2022-06-27 cs.LG
Bayesian survival analysis of batsmen in Test cricket
板球知识告诉我们，击球在球员局数的早期是比较困难的，但是随着球员对比赛条件的熟悉，击球就变得容易了。本文提出一个贝氏生存分析方法来预测国际板球运动员的测试赛击球能力。该模型应用于两个阶段，首先是个人球员，使我们能够量化球员的初始和平衡击球能力，以及两者之间的过渡率。其次是实施的模型，使用层次结构，为我们提供了更一般的推理有关选定的一组开放的击球手从新西兰。结果表明，大多数球员开始他们的局打之间只有四分之一和一半的潜在击球能力。使用层次结构，我们能够预测下一个开幕击球手的击球能力，首次亮相新西兰。此外，我们比较和识别的球员谁擅长的作用，打开击球，这有实际意义的击球顺序和球队的选择政策。
2017-02-05 stat.AP
ROC-Guided Survival Trees and Ensembles
基于树的方法是研究事件发生时间结局的流行非参数工具。在本文中，我们介绍了一种新颖的生存树和集合框架，其中树划分动态幸存者群体并可以处理时间相关的协变量。利用随机检验的思想，我们开发了广义的时间依赖的受试者工作特征（ROC）曲线来评估生存树的性能。树构建算法由基于ROC的决策理论标准指导，专门针对预测精度。为了解决单棵树的不稳定性问题，我们提出了一种新的集成过程的基础上平均鞅估计方程，这是不同于现有的方法，平均预测的生存或累积风险函数从个别树木。进行了广泛的仿真研究，以检查所提出的方法的性能。最后，以艾滋病研究为例，说明了该方法的应用.
2020-01-13 stat.ME
A Flexible Parametric Modelling Framework for Survival Analysis
我们引入了一个通用的、灵活的、参数化的生存建模框架，该框架包括风险函数的关键形状（恒定、增加、减少、先上后下、先下后上）、各种常见的生存分布（对数逻辑、Burr类型XII、Weibull、Gompertz），并包括缺陷分布（即，治愈模型）。这种普遍性是使用四个基本的分布参数：两个尺度类型参数和两个形状参数。推广到协变量依赖性，尺度型回归分量对应于加速失效时间（AFT）和比例风险（PH）模型。因此，这个一般公式统一了最流行的生存模型，使我们能够考虑生存数据可能的建模选择的实际价值。此外，根据我们提出的灵活的基线分布，我们提倡使用多参数回归，其中多个分布参数取决于协变量-而不是通常的惯例，只有一个协变量依赖（尺度）参数。虽然有许多选择，我们建议通过两个尺度参数中的一个或另一个引入协变量，其中包括AFT和PH模型，结合一个“幂”形状参数，允许更复杂的非AFT/非PH效应，而另一个形状参数保持协变量独立，并处理基线分布的自动选择。我们探讨推理问题的模拟，无论是有和没有协变量，特别关注的证据有关的需要，或以其他方式，包括AFT和PH参数。我们通过使用来自肺癌研究和黑色素瘤研究的数据调查治疗组之间的差异来说明我们的建模框架的功效。删失被容纳在整个。
2019-01-10 stat.ME
Survival analysis as a classification problem
在本文中，我们探讨了一种方法，治疗生存分析作为一个分类问题。该方法采用了"堆叠"的思想，即在一个大的数据框架中收集生存数据的特征和结果，然后将其视为一个分类问题。在这个框架中，可以应用各种统计学习算法（包括逻辑斯谛回归、随机森林、梯度提升机和神经网络）来估计参数并进行预测。对于Logistic回归的叠加，我们通过理论分析和模拟研究证明了这种方法近似等价于考克斯比例风险模型。对于与其他机器学习算法的叠加，我们通过模拟研究表明，我们的方法可以在估计的生存曲线方面优于考克斯比例风险模型。这个想法并不新鲜，但我们认为统计学家和其他数据科学家应该更好地了解它。
2019-09-26 stat.ME
Copula Entropy based Variable Selection for Survival Analysis
Hitachi China Research Laboratory（日立中国研究院）
变量选择是统计学和机器学习中的一个重要问题。Copula熵（CE）是一个度量统计独立性的数学概念，近年来被应用于变量选择。在本文中，我们提出了应用CE为基础的变量选择方法的生存分析。其思想是用CE测量变量与事件发生时间之间的相关性，然后根据其CE值选择变量。在模拟数据和两个真实癌症数据上进行实验，并与随机生存森林和Lasso-Cox方法进行比较。实验结果表明，该方法可以选择出“正确”的变量，更解释，导致更好的预测性能。
2022-09-04 cs.LG stat.ME
Simulation-based assessment of a Bayesian survival model with flexible baseline hazard and time-dependent effects
本研究通过仿真评估基于M样条的灵活贝叶斯生存模型（survextrap R包），在肿瘤临床试验数据上验证其对复杂基线风险和时间效应拟合良好，并为模型选择及默认设置提供指导。
2025-03-27 stat.CO stat.ME
Informed Bayesian survival analysis
我们概述了贝叶斯估计，假设检验和模型平均，并说明它们如何有利于参数生存分析。我们将贝叶斯框架与目前占主导地位的频率论方法进行了对比，并强调了其优势，例如无缝整合历史数据，持续监测证据，以及整合真实数据生成过程的不确定性。我们说明了贝叶斯方法的应用，从结肠癌试验的一个例子数据集。我们比较了贝叶斯参数生存分析和频率论模型与AIC/BIC模型选择在固定n设计和序贯设计中的模拟研究。在示例数据集中，贝叶斯框架提供了对切除的结肠癌患者的无病存活率不存在积极处理效应的证据。此外，贝叶斯序贯分析将比标准频率主义分析提前10.3个月终止试验。在一项采用序贯设计的模拟研究中，贝叶斯框架平均在几乎一半的时间内做出了决定，而频率论框架则保持了相同的功效和适当的假阳性率。在模型误设下，贝叶斯框架导致更高的假阴性率相比，频率主义的同行，这导致更高比例的未决定的试验。在固定n设计中，贝叶斯框架在估计小样本处理效应时显示出略高的功效、略高的错误率、较低的偏倚和RMSE。我们已经在RoBSA R软件包中提供了分析方法。当应用于参数生存分析时，概述的贝叶斯框架提供了几个好处。它更有效地使用数据，能够大大缩短临床试验的时间，并提供更丰富的推论。
2022-09-11 stat.ME
A new composite Mann-Whitney test for two-sample survival comparisons with right-censored data
针对右删失数据两样本生存比较，提出一种基于未删失与删失子集分解、由两个独立Mann-Whitney统计量构成的复合检验，能自适应各种差异模式，功效媲美最优传统检验且更稳健。
2025-10-08 stat.AP stat.ME
Unleashing the Power of Extra-Tree Feature Selection and Random Forest Classifier for Improved Survival Prediction in Heart Failure Patients
Bangladesh Atomic Energy Regulatory Authority（孟加拉国原子能监管局）；Northumbria University（诺森比亚大学）；Summit Communications Limited（顶峰通信有限公司）
本文提出结合额外树特征选择与随机森林分类器，在UCL心力衰竭生存数据集上实现98.33%的最高生存预测准确率。
2023-08-09 cs.AI cs.LG
Neural interval-censored survival regression with feature selection
Instituto de Ciencias Matemáticas, CSIC（数学科学研究所（西班牙高等科学研究理事会））；Universidad Autónoma de Madrid（马德里自治大学）；Harvard University（哈佛大学）；Université Paris 1 Panthéon-Sorbonne（巴黎第一大学先贤祠-索邦大学）；University of North Carolina, Chapel Hill（北卡罗来纳大学教堂山分校）
本文提出一种基于加速失效时间模型的神经区间删失生存回归预测框架，结合稀疏神经网络进行变量选择，在非线性场景下优于传统算法。
2024-08-22 cs.LG stat.ME stat.ML
Towards Understanding the Survival of Patients with High-Grade Gastroenteropancreatic Neuroendocrine Neoplasms: An Investigation of Ensemble Feature Selection in the Prediction of Overall Survival
Norwegian University of Life Sciences（挪威生命科学大学）；Oslo University Hospital（奥斯陆大学医院）；University of Oslo（奥斯陆大学）
本研究比较了RENT和UBayFS两种集成特征选择方法在预测高级别胃肠胰神经内分泌肿瘤患者总生存期中的表现，发现专家知识能稳定特征集，并确定了8个最稳定且具预测性的特征。
2023-02-20 cs.AI cs.LG
dnamite: A Python Package for Neural Additive Models
Universität Innsbruck（因斯布鲁克大学）
本文提出Python包dnamite，以scikit-learn风格接口实现神经加性模型，支持回归、分类、生存分析和特征选择，并在MIMIC III临床数据上验证了其实用性。
2025-03-06 cs.LG stat.ML
Embedded Chaotic Whale Survival Algorithm for Filter-Wrapper Feature Selection
Jadavpur University（贾达普大学）；Griffith University（格里菲斯大学）
由机器学习模型提供的分类精度在很大程度上取决于学习过程中使用的特征集。特征选择（FeatureSelection，FS）是一种重要且具有挑战性的预处理技术，它可以从数据集中识别出相关的特征，从而在降低特征维数的同时提高分类精度。鲸鱼优化算法（WOA）的二进制版本是一种流行的FS技术，其灵感来自座头鲸的觅食行为。在本文中，一个嵌入式版本的WOA称为嵌入式混沌鲸鱼生存算法（ECWSA）已被提出，它使用其包装过程，以实现高分类精度和过滤器的方法，以进一步细化所选择的子集，计算成本低。ECWSA中引入了混沌，以指导鲸鱼在寻找猎物时选择运动类型。在鲸鱼系统中也引入了一种健康依赖的死亡机制，这种机制的灵感来自于现实生活中的场景，即鲸鱼如果无法捕获猎物就会死亡。在18个著名的UCI数据集上对所提出的方法进行了评估，并将其与前人以及其他一些流行的FS方法进行了比较。
2020-05-10 cs.LG cs.NE
Genetic algorithms for multi-omic feature selection: a comparative study in cancer survival analysis
Institute of Biomedicine, School of Medicine , University of Eastern Finland , Yliopistonranta 8 , 70210 , Finland
本文提出Sweeping*算法，结合单视和多视优化，通过多组学层间交互提升生存预测精度，验证了多组学整合在癌症生存分析中的有效性。
2026-03-31 cs.LG q-bio.GN
Estimating heterogeneous treatment effects with right-censored data via causal survival forests
Zhejiang University（浙江大学）；UNC Chapel Hill（北卡罗来纳大学教堂山分校）；Stanford University（斯坦福大学）；UIUC（伊利诺伊大学厄巴纳-香槟分校）
基于森林的方法最近在非参数处理效应估计中得到普及。在这一工作的基础上，我们引入了因果生存森林，它可用于估计异质性处理效应的生存和观察设置的结果可能是右删失。我们的方法依赖于正交估计方程，以鲁棒地调整下unconfoundness的删失和选择效果。在我们的实验中，我们发现我们的方法相对于一些基线表现良好。
2023-02-28 cs.LG stat.ME stat.ML
An ensemble of machine learning and anti-learning methods for predicting tumour patient survival rates
Horizon Digital Economy Research（地平线数字经济研究院）；University of Nottingham Malaysia Campus（诺丁汉大学马来西亚校区）
本文主要讨论了一个数据集有关的细胞，化学和物理条件的病人收集时，他们被手术切除结直肠肿瘤。这些数据提供了一个独特的洞察病人的生化和免疫学状态的肿瘤切除点随着有关肿瘤分类和术后生存的信息。对于TNM 2期和3期肿瘤患者，基于TNM分期的肿瘤严重程度与生存率之间的关系尚不清楚。我们询问是否有可能使用应用于数据子集的机器学习技术的选择来更准确地预测生存率，以更深入地了解患者的生化标志物与生存之间的关系。我们使用一系列特征选择和单一分类技术来预测TNM 2期和3期患者的5年生存率，最初产生的结果不太理想。然后将每个模型的性能单独与多个模型达成一致的数据子集进行比较。这种新的选择性集成方法表明，对于模型之间达成一致的患者，可以在看不见的测试集上显著提高模型准确性。最后，我们指出了一种可能的方法来确定是否可以准确地预测患者的预后。
2016-07-21 cs.LG
AutoScore-Survival: Developing interpretable machine learning-based time-to-event scores with right-censored survival data
Duke-NUS Medical School（杜克-新加坡国立大学医学院）；Duke University（杜克大学）；Singapore General Hospital（新加坡中央医院）；National University of Singapore（新加坡国立大学）；Singapore Health Services（新加坡保健服务集团）
本文提出 AutoScore-Survival，利用随机生存森林选变量、Cox 回归加权，从右删失生存数据自动生成可解释的整数值生存时间评分，并在 ICU 患者 90 天死亡率研究中验证其性能与生存模型相当且更简洁易用。
2021-06-13 cs.LG
Survival of the Cheapest: Cost-Aware Hardware Adaptation for Adversarial Robustness
Northeastern University（东北大学）
本文提出一个自主决策支持框架，用于云原生深度学习中自适应硬件选择和超参数调整，通过加速失败时间模型量化硬件选择、批量大小、训练轮次和验证准确率对模型生存时间的影响，实验表明低成本硬件能提升对抗鲁棒性。
2026-07-22 cs.CR cs.CV cs.LG
Statistical inference after variable selection in Cox models: A simulation study
Mathematical Statistics and Artificial Intelligence in Medicine, University of Augsburg（医学中的数学统计与人工智能，乌尔姆大学）；Center for Advanced Analytics and Predictive Sciences (CAAPS), University of Augsburg（高级分析与预测科学中心（CAAPS），乌尔姆大学）
本文通过模拟研究探讨了Cox模型中变量选择后Lasso和适应性Lasso的推断方法，分析了样本分割、精确后选择推断和去偏Lasso的性能，并通过实际数据验证其应用效果。
2026-02-07 cs.LG stat.AP stat.CO
A Filtered Mixture-of-Generators for Fully Synthetic Survival Training
Politecnico di Milano（米兰理工大学）
提出FoGS方法，通过从多个生成器中采样并用真实数据训练的生存模型评分过滤，以样本选择替代生成，在16个数据集上平均C-index提升2.17，IBS提升0.67，匹配或超越真实数据训练效果。
2026-07-02 cs.LG
Dynamic survival prediction in intensive care units from heterogeneous time series without the need for variable selection or pre-processing
University of Cambridge（剑桥大学）
我们提出了一个机器学习管道和模型，它使用整个未经策划的EHR来预测任意时间间隔的住院死亡率，使用所有可用的图表，实验室和输出事件，而不需要预处理或特征工程。来自MIMIC-III数据库的超过45，000名美国ICU患者的数据被用于开发ICU死亡率预测模型。所有图表、实验室和输出事件都由模型以受自然语言处理（NLP）启发的相同方式处理。患者事件按百分位数离散化，并映射到学习的嵌入，然后传递到递归神经网络（RNN），以提供住院患者死亡风险的早期预测。我们将死亡率预测与简化急性生理评分II（SAPS II）和牛津急性疾病严重程度评分（OASIS）进行了比较。将数据分成独立的测试集（10%），并在训练期间进行十倍交叉验证，以避免过度拟合。13，233个具有异质数据类型的不同变量被包括在内，而无需手动选择或预处理。研究发现，病人住院前几个小时的记录可以很好地预测死亡率，仅在2小时内就超越了使用SAPS II和OASIS评分的模型，并达到了0.80的最先进的受试者工作特征下面积（AUROC）值（95% CI 0.79 - 0.80），而SAPS II和OASIS在24小时分别为0.70和0.66。我们的模型在MIMIC-III数据集上48小时后住院患者死亡率预测方面实现了非常强的AUROC 0.86（95%CI 0.85 - 0.86）性能。预测性能在ICU停留的前48小时内增加，但收益递减，…
2019-09-17 cs.LG stat.AP
Optimizing Prognostic Biomarker Discovery in Pancreatic Cancer Through Hybrid Ensemble Feature Selection and Multi-Omics Data
Department of Cancer Genetics, Institute for Cancer Research, Oslo University Hospital, Oslo, Norway（癌症遗传学系，癌症研究所，奥斯陆大学医院，奥斯陆，挪威）；Oslo Centre for Biostatistics and Epidemiology (OCBE), Department of Biostatistics, University of Oslo, Oslo, Norway（奥斯陆生物统计与流行病学中心（OCBE），生物统计学系，奥斯陆大学，奥斯陆，挪威）；Department of Informatics, University of Oslo, Oslo, Norway（信息学系，奥斯陆大学，奥斯陆，挪威）；Department of Statistics, Ludwig Maximilian University of Munich, Munich, Germany（统计学系，慕尼黑路德维希-马克西米利安大学，慕尼黑，德国）；Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心（MCML））
本文提出混合集成特征选择方法，结合数据子采样与多种预后模型，通过投票理论机制整合嵌入式和包装策略，提升胰腺癌预后生物标志物的预测性能和稳定性。
2025-09-02 cs.LG q-bio.GN q-bio.QM
OPSurv: Orthogonal Polynomials Quadrature Algorithm for Survival Analysis
Borealis AI；York University（约克大学）
OPSurv 提出一种基于正交多项式和 Gauss-Legendre 求积的生存分析方法，输出时间连续函数，适用于单一及竞争风险，能有效抗过拟合并提升模型性能。
2024-02-02 cs.AI cs.LG math.FA
