区间删失失效时间数据的可解释深度回归模型

深度神经网络(DNNs)通过在每个隐藏层中顺序整合简单函数，已成为对复杂数据结构进行建模的强大工具。在生存分析中，DNNs 的最新进展主要集中在增强模型能力上，尤其是在探索右删失下的非线性协变量效应方面。然而，针对区间删失数据（即不可观测的失效时间仅已知位于某一区间内）的深度学习方法仍研究不足，且局限于特定数据类型或模型。本文提出了一种针对区间删失数据的通用回归框架，采用一大类部分线性变换模型，其中关键协变量效应以参数化方式建模，而冗余多模态协变量的非线性效应则通过 DNNs 进行近似，从而平衡了可解释性与灵活性。我们利用单调样条逼近累积基准危险函数，采用筛最大似然估计。为确保估计的可靠性与可处理性，我们开发了一种结合随机梯度下降的 EM 算法。我们建立了参数估计量的渐近性质，并证明了 DNN 估计量达到了极小极大最优收敛速度。大量模拟表明，其估计与预测精度优于现有最先进方法。将我们的方法应用于阿尔茨海默病神经影像学计划数据集，相比传统方法获得了新的见解并提升了预测性能。