超越考克斯模型:评估机器学习方法在非比例危险和非线性生存分析中的性能

科学领域:

• 生物统计学 生物统计学
• 机器学习 机器学习
• 计算生物学 计算生物学

背景情况:

• 传统的生存分析经常使用考克斯模型,这些模型依赖于线性和比例危险 (PH) 假设.
• 违反这些假设可能会导致标准Cox模型在复杂的生存数据中表现不佳.

研究的目的:

• 评估机器和深度学习方法的性能,与生存分析中的受惩罚的Cox模型进行对比.
• 与传统方法相比,先进模型提供更高的预测准确度的条件.
• 为了解决由于不适当的评估指标而低估机器学习性能的问题.

主要方法:

• 八个生存模型的比较,包括受罚的Cox模型和六个非线性机器/深度学习模型 (四个非PH).
• 在一个基准数据集上进行评估,该数据集包括三个合成数据集和三个现实世界生存数据集.
• 使用Antolini的协同指数和Brier的分数进行全面的绩效评估,解决Harrell的C指数的局限性.

主要成果:

• 机器和深度学习模型在特定条件下表现出优异的性能,特别是当线性和PH假设不满足时.
• 受到惩罚的Cox模型在许多场景中也表现出令人满意的表现.
• 评估指标的选择显著影响了模型的性能,Antolini的C指数和Brier的分数提供了更强大的评估.

结论:

• 生存预测从探索各种建模方法中获益,包括机器和深度学习,超出传统的Cox模型.
• 模型选择应以数据集特征为指导,例如样本大小,非线性和遵守PH假设.
• 代码和数据可用于可复制性,促进了先进的生存分析的进一步研究.