深度变分对比学习用于联合风险分层与生存时间估计
机器学习
2026-02-03 v1 人工智能
摘要
生存分析对于临床决策至关重要，因为它允许从业人员估计time-to-event结果，对患者风险轮廓进行分层，并指导治疗计划。深度学习以前所未有的预测能力 revolutionized了该领域，但面临性能与可解释性之间的根本性权衡。虽然神经网络实现了高准确率，但其black-box本质限制了临床采用。相反，基于深度聚类的深度聚类方法对患者进行可解释的风险分组，通常牺牲了预测性能。我们提出CONVERSE（CONtrastive Variational Ensemble for Risk Stratification and Estimation），一种深度生存模型，用于在两者之间架构，通过将变分自编码器与对比学习统一，用于可解释的风险分层。CONVERSE将变分嵌入与多个intra-和inter-cluster对比损失结合。通过self-paced learning逐步纳入从易到难的样本，提高了训练稳定性。该模型支持cluster-specific生存头，实现准确的ensemble预测。四个基准数据集的全面评估表明，CONVERSE在现有深度生存方法中实现了竞争或优越的性能，同时保持有意义的患者分层。
引用
@article{arxiv.2602.01367,
title = {Deep Variational Contrastive Learning for Joint Risk Stratification and Time-to-Event Estimation},
author = {Pinar Erbil and Alberto Archetti and Eugenio Lomurno and Matteo Matteucci},
journal= {arXiv preprint arXiv:2602.01367},
year = {2026}
}