超越 Cox 模型：评估机器学习方法在非比例风险与非线性生存分析中的性能
机器学习
2025-10-21 v2 定量方法
摘要
生存分析通常依赖于 Cox 模型，假设其同时满足线性性与比例风险 (PH)。本研究评估了放宽这些约束的机器学习与深度学习方法，并在由三个合成数据集和三个真实数据集构成的基准上，将其性能与惩罚 Cox 模型进行比较。总共测试了八种不同的模型，包括六种非线性模型，其中四种同时也是非 PH 模型。尽管 Cox 回归通常能产生令人满意的性能，我们展示了机器学习与深度学习模型能够表现更优的条件。事实上，由于不当使用 Harrell 一致性指数 (C-index) 而非更合适的评分（如在 PH 假设不成立情况下推广 C-index 的 Antolini 一致性指数），这些方法的性能往往被低估。此外，由于偶尔高 C-index 的模型恰好校准不佳，将 Antolini C-index 与 Brier 分数结合使用有助于评估生存方法的整体性能。基准数据上的结果表明，生存预测应通过测试不同方法来处理，以便根据样本量、非线性和非 PH 条件选择最合适的方法。为了便于在我们的基准数据上轻松复现这些测试，代码和文档可在 https://github.com/compbiomed-unito/survhive 免费获取。
引用
@article{arxiv.2504.17568,
title = {Beyond Cox Models: Assessing the Performance of Machine-Learning Methods in Non-Proportional Hazards and Non-Linear Survival Analysis},
author = {Ivan Rossi and Flavio Sartori and Cesare Rollo and Giovanni Birolo and Piero Fariselli and Tiziana Sanavia},
journal= {arXiv preprint arXiv:2504.17568},
year = {2025}
}