TraCeR：基于Transformer的竞争风险分析框架及纵向协变量
机器学习
2025-12-30 v2 机器学习
摘要
生存分析是建模时间间隔数据的数据科学工具。近期基于深度学习的模型已减少了各种建模假设，包括比例风险假设和线性假设。然而，一个持续的挑战仍在于整合纵向协变量，现有工作大多聚焦于横截面特征；此外，在模型校准性评估方面也存在研究主要聚焦于区分度的局限。我们提出TraCeR，一个基于Transformer的生存分析框架，用于整合纵向协变量。基于因式分解自注意力架构，TraCeR从测量序列中估计风险函数，自然捕捉纵向协变量的时间依赖关系，而无需对数据生成过程作出假设。该框架天然适用于处理失访数据和竞争事件。在多个真实数据集上的实验表明，TraCeR相对于现有SOTA方法实现了显著且统计显著的性能提升。此外，我们的评估超越了区分度指标，对模型校准性进行评估， addresses a key oversight in literature（文献中的关键疏漏）。
引用
@article{arxiv.2512.18129,
title = {TraCeR: Transformer-Based Competing Risk Analysis with Longitudinal Covariates},
author = {Maxmillan Ries and Sohan Seth},
journal= {arXiv preprint arXiv:2512.18129},
year = {2025}
}