提升生存数据的 concordance index：推导与评估生物标志物组合的统一框架

开发用于预测时间 - 事件结果的分子特征在生物信息学和生物统计学中是一项方法论上极具挑战的任务。尽管存在多种推导标志物组合及其评估的方法，但其底层方法论往往存在一个问题，即在特征选择、估计和评估步骤中混合了不同的优化标准。这可能导致关于感兴趣评估标准的标志物组合仅为次优。为解决此问题，我们提出了一个推导和评估生物标志物组合的统一框架。我们的方法基于时间 - 事件数据的 concordance index，这是一种量化预测规则判别能力的非参数度量。具体而言，我们提出了一种分量提升（component-wise boosting）算法，该算法可产生关于平滑版 concordance index 最优的线性生物标志物组合。我们在大规模模拟研究以及两个用于预测乳腺癌患者生存率的分子数据集中调查了该算法的性能。数值结果表明，新方法不仅在方法论上合理，而且与传统基因特征推导方法相比，还能带来更高的判别能力。