DNAMite：基于离散可解释模型的可校准生存分析
机器学习
2024-11-12 v1 机器学习
摘要
生存分析是统计学中的经典问题，在医疗保健领域具有重要应用。大多数机器学习模型用于生存分析都是黑箱模型，限制了其在解释性至关重要的医疗环境中的应用。近期出现的玻璃盒模型虽具备较强的预测性能和可解释性，但仍存在若干缺口：目前尚无玻璃盒生存模型能够生成足够灵活以捕捉真实数据中常见复杂模式的校准形状函数。为填补这一空白，我们提出一种新的玻璃盒机器学习生存分析模型，称为 DNAMite。DNAMite 使用特征离散化和核平滑技术，其嵌入模块能够实现平滑性与不规则性之间灵活的平衡，从而学习具有高度可解释性的形状函数。进一步地，DNAMite 生成的校准形状函数可直接解释为对累积发生函数的贡献。我们的实验表明，DNAMite 在合成数据上生成的形状函数更接近真实形状函数，而在预测性能和校准性方面，其表现与先前的玻璃盒模型和黑箱模型相当且更优。
引用
@article{arxiv.2411.05923,
title = {DNAMite: Interpretable Calibrated Survival Analysis with Discretized Additive Models},
author = {Mike Van Ness and Billy Block and Madeleine Udell},
journal= {arXiv preprint arXiv:2411.05923},
year = {2024}
}