面向生存结果的对比学习方法实现良好校准的判别

以往的深度学习方法用于生存分析主要依赖排序损失以提高判别性能,往往以牺牲校准性能为代价。为此,我们提出一种新颖的对比学习方法,专为增强判别性能而设计,且不牺牲校准性能。我们的方法在对比学习框架中采用加权抽样,对生存结果相似的样本赋予较低惩罚。这一设计良好地符合这样一种假设:生存时间相似的患者共享相似的临床状态。因此,在常用的负对数似然损失的支持下,我们的方法显著提高了判别性能,而无需直接操作模型输出,从而实现更好的校准。在多个真实临床数据集上的实验表明,我们的方法在判别和校准性能上均优于最先进的深度生存模型。通过全面的消融研究,我们通过定量和定性分析进一步验证了该方法的有效性。