使用 DeepONet 进行具有时变协变量的条件生存函数的非参数估计
统计方法学
2025-05-30 v1
摘要
传统生存模型通常依赖于比例风险或时变协变量对风险函数的瞬时效应等限制性假设，这限制了它们在现实场景中的适用性。我们考虑条件生存函数的非参数估计，该方法利用神经网络的灵活性来捕捉时变协变量复杂的、潜在的长期非瞬时效应。在本工作中，我们使用深度算子网络（Deep Operator Networks, DeepONet）——一种为算子学习设计的深度学习架构——来建模时变和时不变协变量的任意效应。具体而言，我们的方法通过将条件风险函数建模为时变协变量整个历史的未知非线性算子，放宽了风险回归中常用的假设。该估计基于由删失生存数据的非参数全似然构建的损失函数。模拟研究表明我们的方法表现良好，而当违反时变协变量瞬时效应假设时，Cox 模型产生有偏结果。我们进一步利用 ADNI 数据阐明了其实用性，对于该数据，它产生了比 Cox 模型更低的积分 Brier 分数。
引用
@article{arxiv.2505.22748,
title = {Nonparametric Estimation of Conditional Survival Function with Time-Varying Covariates Using DeepONet},
author = {Bingqing Hu and Bin Nan},
journal= {arXiv preprint arXiv:2505.22748},
year = {2025}
}