时依 Cox 模型中的结构化学习

具有时依系数和协变量的 Cox 模型在生存分析中广泛应用。在高维情形下，采用稀疏正则化技术进行变量选择，但现有的时依 Cox 模型方法在强制特定稀疏模式（即协变量结构）方面缺乏灵活性。我们提出了一种用于时依 Cox 模型变量选择的灵活框架，可适应复杂的筛选规则。我们的方法能适应任意分组结构，包括交互作用选择、时间、空间、树和有向无环图结构。它以低误报率实现准确估计。我们开发了 sox 软件包，实现了网络流算法以高效求解具有复杂协变量结构的模型。sox 提供了用户友好的接口来指定分组结构并给出快速计算。通过实例，包括一项关于识别心房颤动患者全因死亡时间的预测因子的案例研究，我们展示了具有特定筛选规则的我们方法的实际应用。