SAVAE：利用变分贝叶斯自编码器进行生存分析

与医学研究的许多领域一样，生存分析领域对应用深度学习技术来建模复杂、高维、异构、不完整且删失的医疗数据表现出日益浓厚的兴趣。现有方法通常对数据间的关系做出假设，而这些假设在实践中可能并不成立。为此，我们引入了 SAVAE（Survival Analysis Variational Autoencoder），一种基于变分自编码器的新方法。SAVAE 通过为生存分析引入量身定制的 ELBO 公式，支持协变量和生存时间的各种参数分布（只要对数似然可微），对该领域做出了重要贡献。它提供了一种通用方法，在各种指标上始终表现良好，并通过不同实验展示了鲁棒性和稳定性。我们的方法有效估计了事件发生时间，同时考虑了删失、协变量交互作用和时变风险关联。我们在包括基因组、临床和人口统计学数据在内的多种数据集上验证了我们的模型，这些数据集具有不同的删失水平。如 Concordance Index 和 Integrated Brier Score 所评估，该方法与现有最优技术相比表现出竞争性能。SAVAE 还提供了一个可解释的模型，以参数化方式对协变量和时间进行建模。此外，其生成架构促进了进一步的应用，如聚类、数据插补以及通过从生存数据进行潜在空间推断来生成合成患者数据。