🔥 今日值得一读
损失选对，竞争风险预测收益翻倍！
The Loss or the Architecture? What Matters in Survival Analysis with Competing Risks
👨💼 主理人解读 · 为什么值得关注
做竞争风险生存预测时，可据此判断性能提升来自损失还是架构，避免盲目堆模型。
📖 AI 总结
该研究探讨竞争风险生存分析中，损失函数与网络架构各自的作用。作者指出，现有深度学习方法通常将新架构与新训练损失捆绑提出，导致性能提升无法归因于具体因素。为此，研究在20个表格数据集和3个病理图像数据集上，独立变化三种损失（其中两种为严格适当评分规则）与四种骨干网络。关键发现是：直接建模累积发生率并结合删失加权处理的损失函数在两个模态中均表现最优，其对竞争风险数据的增益约为骨干网络选择的两倍，而在单事件数据上则无此优势，说明损失函数对竞争风险场景具有决定性作用。骨干网络同样重要且需匹配模态：表格数据上表格网络领先，图像数据上预训练视觉编码器更优。两者效果叠加而非替代。此外，适当评分规则能揭示上述差异，而常用的非适当C指数无法区分模型优劣。研究还表明，将累积发生率损失与RealMLP或TabM结合可取得基准中最佳Brier分数，为后续模型设计提供了新方向。
🔑 关键词速览
| 竞争风险 | 在生存分析中，个体可能经历多种互斥的失败事件类型，且一种事件的发生会阻止其他事件发生。 |
| 累积发生率 | 在竞争风险框架下，特定原因在给定时间前发生失败的边际概率，考虑了其他竞争事件的影响。 |
| 适当评分规则 | 一种用于评估概率预测的评分函数，其期望值在真实概率分布处达到最优，鼓励诚实预报。 |
| 一致性指数 | 衡量生存模型预测风险排序与真实生存时间排序一致性的指标，常用于评估模型的区分能力。 |
| 删失加权 | 在生存分析中处理删失数据的一种技术，通过对观测样本加权来校正删失带来的偏差，常用于估计累积发生率。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅