等差生存回归：来自深度 Cox 模型的校准生存分布
机器学习
2026-05-19 v1 人工智能
机器学习
摘要
时间间隔数据在生命科学和工程学中广泛存在，但通常伴随 censoring 现象，这会使标准机器学习方法的应用复杂化。深度 Cox 模型因其优雅地处理 censoring 以及可用于临床文本报告、基因组序列和病理图像等非结构化数据而成为分析时间间隔数据的流行方法。然而，其预测的生存概率常常校准不良，从而限制了实际实用性。本文提出一种新的后置校准方法，用于深度 Cox 模型，通过等差回归来细化预测的生存概率，而不影响判别能力。我们建立了有利的理论保证，包括双鲁棒性和渐近校准属性。在合成数据和真实临床数据上的实验表明，我们的方法在实际中效果良好。
引用
@article{arxiv.2605.16571,
title = {Isotonic Survival Regression: Calibrated Survival Distributions from Deep Cox Models},
author = {Anchit Jain and Kevin Zhang and Stephen Bates},
journal= {arXiv preprint arXiv:2605.16571},
year = {2026}
}