用于比较机器学习算法生存分析的方法论
机器学习
2026-02-04 v3
摘要
本研究提出了对六种机器学习模型进行生存分析 (MLSA) 的比较方法论分析。我们使用来自圣保罗癌症登记中心近 45,000 例结直肠癌患者的数据，对 Random Survival Forest (RSF)、Gradient Boosting for Survival Analysis (GBSA)、Survival SVM (SSVM)、XGBoost-Cox (XGB-Cox)、XGBoost-AFT (XGB-AFT) 和 LightGBM (LGBM) 进行评估，这些模型能够处理 censored 数据的生存预测。对超参数进行了不同采样器的优化，模型性能通过 Concordance Index (C-Index)、C-Index IPCW、time-dependent AUC 和集成 Brier 评分 (IBS) 进行评估。与分类算法的预测进行生存曲线比较，并使用 SHAP 和置换重要性进行预测器解释。XGB-AFT 实现了最佳性能 (C-Index = 0.7618; IPCW = 0.7532)，其后跟 GBSA 和 RSF。结果突显了 MLSA 的潜力和适用性，以改进生存预测并支持决策。
引用
@article{arxiv.2510.24473,
title = {Methodology for Comparing Machine Learning Algorithms for Survival Analysis},
author = {Lucas Buk Cardoso and Simone Aldrey Angelo and Yasmin Pacheco Gil Bonilha and Fernando Maia and Adeylson Guimarães Ribeiro and Maria Paula Curado and Gisele Aparecida Fernandes and Vanderlei Cunha Parro and Flávio Almeida de Magalhães Cipparrone and Alexandre Dias Porto Chiavegatto Filho and Victor Wünsch Filho and Tatiana Natasha Toporcov},
journal= {arXiv preprint arXiv:2510.24473},
year = {2026}
}