使用深度学习网络探索生存数据中的累积效应
机器学习
2026-01-01 v1 机器学习
摘要
在流行病学研究中，由于复杂的时间动态特性，建模时变暴露对生存结果的累积效应是一项挑战。传统的基于样条的统计方法虽然有效，但每次样条参数调优都需要进行数据转换，且生存分析计算依赖于整个数据集，给大型数据集带来了困难。同时，现有的基于神经网络的生存分析方法关注准确性，但往往忽视了累积暴露模式的可解释性。为了弥合这一差距，我们引入了 CENNSurv，一种从时变数据中捕捉动态风险关系的新型深度学习方法。在两个不同的真实世界数据集上进行评估，CENNSurv 揭示了慢性环境暴露与关键生存结果之间存在多年的滞后关联，以及在订阅失效前关键的短期行为转变。这证明了 CENNSurv 具备以更高可扩展性建模复杂时间模式的能力。CENNSurv 为研究累积效应的研究人员提供了一种具有可解释见解的实用工具。
引用
@article{arxiv.2512.23764,
title = {Exploring Cumulative Effects in Survival Data Using Deep Learning Networks},
author = {Kang-Chung Yang and Shinsheng Yuan},
journal= {arXiv preprint arXiv:2512.23764},
year = {2026}
}