Weighted SurvClipper：一种非线性预后生物标志物选择方法，该方法结合历史生存风险数据，并控制假发现率（FDR）

《Statistical Analysis and Data Mining: An ASA Data Science Journal》：Weighted SurvClipper: Nonlinear Prognostic Biomarker Selection Incorporating Historical Information for Survival Risk With Controlled FDR

生存分析中提出SurvClipper和wSurvClipper方法，分别控制高维右删失数据的FDR并整合先验知识，有效识别复杂非线性关联的预后标志物，在模拟和皮肤黑色素瘤数据集中验证了高精度和稳健性。

　　

摘要

基因组技术的最新发展为确保癌症研究中预测基因的全面筛选，对统计技术提出了更高的需求。在本文中，我们介绍了一种针对右删失数据的新颖高维变量选择方法SurvClipper，该方法能够控制假发现率（FDR），并适应协变量与结果之间的复杂非线性关联。为了充分利用历史研究中的信息并提供有效的变量选择策略，我们进一步提出了wSurvClipper，这是一种结合了先验领域信息的加权FDR控制程序，从而提高了结果的完整性和可解释性。模拟研究表明，该方法在多种情况下都能很好地控制I型错误率，并具有较高的能力来检测重要的预测生物标志物，包括那些对结果具有复杂非线性影响的生物标志物。此外，使用wSurvClipper能够显著提高检测能力，并且对错误的先验信息具有很强的鲁棒性。我们通过应用于公共领域的皮肤黑色素瘤数据集来说明所提出的方法。

利益冲突

作者声明没有利益冲突。