深度混合Weibull模型：一种用于生存分析的可解释AI方法，能够处理潜在的竞争风险

《IEEE Transactions on Artificial Intelligence》：Deep Mixture Weibull: An Explainable AI Approach for Survival Analysis With Principle Hidden Competing Risks

生存分析在处理高维数据时面临可解释性不足的问题，本文提出DMW模型融合深度学习与Weibull分布，通过多成分Weibull结构处理竞争风险，结合损失函数约束参数与Shapley值解释成分影响，在多个基准数据集上验证了其预测精度和可解释性优势。

　　

影响声明：

生存分析在各个领域都至关重要，尤其是在安全和可靠性至关重要的行业中。传统的统计模型和许多机器学习（ML）方法...显示更多

摘要：

生存分析用于估计受试者的生存时间概率，在多个领域都有广泛的应用。尽管生存分析在各个领域都有广泛应用，但由于现有高级机器学习（ML）模型缺乏可解释性和透明度，其在涉及生命安全的关键行业的成功实施仍然具有挑战性。为了解决这个问题，我们提出了深度混合Weibull（DMW）模型，该模型结合了深度学习（DL）的灵活性和Weibull分布的可解释性。在存在竞争风险的实际场景中，事件发生的概率自然是不同潜在风险概率的组合。利用这一直觉，DMW模型通过多个双参数Weibull组件来预测生存结果，每个组件代表一个主要的潜在竞争风险（PHCR）。为了解决多模态可识别性问题，我们设计了一个专门的损失函数，其中包含了针对Weibull模型形状和尺度参数的惩罚项。此外，每个组分的权重由高维特征确定，并通过Shapley值进行事后解释，从而能够了解不同PHCR对单个受试者的影响。我们通过对多个公共基准进行广泛实验来验证DMW的有效性，证明了其比现有最先进模型具有更高的预测准确性和可解释性。

引言

生存分析专注于对感兴趣事件发生时间的概率分布进行建模。虽然生存分析可以被视为一种回归形式，用于建模事件发生之前的时间，但它与标准回归问题的根本区别在于必须考虑被删失数据，即在研究期间感兴趣的事件尚未发生或未被观察到的情况。经典的统计模型，例如Kaplan–Meier估计器[1]、Cox比例风险（CPHs）模型[2]和Weibull分布[3]，由于能够无偏估计地处理删失问题，已在各个行业中得到了广泛应用。虽然这些模型中的大多数可以以参数化或非参数化的形式表达生存时间的概率分布，但像CPH这样的半参数模型可以在不指定底层分布的情况下量化变量对风险或生存能力的影响[2]。然而，在处理高维数据时，传统统计模型很难有效地学习协变量之间的复杂和交互关系。