CoxKAN：用于可解释且高性能存活分析的 Kolmogorov-Arnold 网络
机器学习
2025-11-27 v2 人工智能
摘要
动机：存活分析是统计学的一个分支，在医学中至关重要，用于建模关键事件（如死亡或复发）的时间，以改进治疗策略和患者预后。选择存活模型通常需要在性能与可解释性之间进行权衡；深度学习模型虽然提供高性能，却缺乏传统方法的透明度。这在医学领域尤为突出，因为医生们对用于关键患者决策的黑箱模型持保留态度。结果：我们引入 CoxKAN，即一种 Cox 比例风险 Kolmogorov-Arnold 网络，用于可解释且高性能的存活分析。Kolmogorov-Arnold 网络（KANs）是最近提出的，可替代多层感知器的可解释且精确的方案。我们在四个合成数据集和九个真实数据集上评估了 CoxKAN，其中包括五个临床数据队列和四个基因组生物标志物队列。在合成实验中，CoxKAN 准确恢复了可解释的风险函数公式，并在自动特征选择方面表现出色。在真实数据集上的评估显示，CoxKAN 在 C-index 指标上 consistently 超过传统的 Cox 比例风险模型（最高提升约 4%），并与深度学习模型相当或更好。重要的是，CoxKAN 揭示了预测变量之间的复杂相互作用，并发现了符号公式，这是其他存活分析方法所不具备的关键能力，为洞察关键生物标志物对患者风险的影响提供了清晰见解。可用性与实现：CoxKAN 可在 GitHub 和 Zenodo 上获取。
引用
@article{arxiv.2409.04290,
title = {CoxKAN: Kolmogorov-Arnold Networks for Interpretable, High-Performance Survival Analysis},
author = {William Knottenbelt and William McGough and Rebecca Wray and Woody Zhidong Zhang and Jiashuai Liu and Ines Prata Machado and Zeyu Gao and Mireia Crispin-Ortuzar},
journal= {arXiv preprint arXiv:2409.04290},
year = {2025}
}