Binacox:高维 Cox 模型中自动切点检测及其在遗传学中的应用
机器学习
2020-01-13 v4 机器学习
摘要
我们提出 binacox,一种用于处理在多变量设定下检测每个特征多个切点的预后方法,该设定下有大量连续特征可用。该方法基于 Cox 模型,并将独热编码与 binarsity 惩罚相结合,后者使用全变分正则化及一个额外的线性约束,能够实现特征选择。我们建立了原始的预测(以 Kullback-Leibler 散度衡量)和估计的非渐近 oracle 不等式,且具有快速收敛速率。该方法的统计性能在广泛的蒙特卡洛模拟研究中得到检验,随后在三个公开可用的癌症遗传学数据集上进行了说明。在这些高维数据集上,我们提出的方法在 C-index 度量的风险预测方面显著优于最先进的生存模型,且计算时间快了数个数量级。此外,它通过自动指出相关变量中的显著切点,从临床角度提供了强大的可解释性。
引用
@article{arxiv.1807.09813,
title = {Binacox: automatic cut-point detection in high-dimensional Cox model with applications in genetics},
author = {Simon Bussy and Mokhtar Z. Alaya and Anne-Sophie Jannot and Agathe Guilloux},
journal= {arXiv preprint arXiv:1807.09813},
year = {2020}
}