Survival-LCS：基于规则的生存分析，不依赖于比例风险假设

《ACM Transactions on Evolutionary Learning and Optimization》：Survival-LCS: Rule-Based Survival Analysis Without Proportional Hazard Assumptions

生存分析广泛应用于生物医学等领域，但传统方法如Cox回归假设严格，难以处理高维或异构数据中的复杂非线性关系。本文提出Survival-LCS，首个基于规则引擎的生存分析算法，支持异构特征、缺失值且无需假设基础风险或生存分布。实验表明其在多种遗传数据场景中表现优异，尤其在挑战传统模型的数据中，验证了规则引擎方法在可解释性和适应性上的优势。

　　

摘要

生存分析被广泛用于生物医学、流行病学和工程学领域中，以建模事件发生的时间数据。然而，传统的生存分析方法（如Cox回归）存在较强的假设限制，例如假设风险比例恒定，这些方法往往无法充分捕捉高维数据或异质数据中的复杂非线性关系。基于规则的机器学习算法（如‘ExSTraCS’）能够在分类任务中清晰地建模复杂的生物医学关联。本研究将ExSTraCS扩展到右删失生存数据的分析中，开发出了‘Survival-LCS’——这是一种基于规则的生存分析算法，它能够处理异质特征类型和缺失值，并且不对基线风险或生存时间分布做出任何假设。

通过使用综合布里尔分数（Integrated Brier Scores）和统计显著性检验，对Survival-LCS在多种模拟的遗传生存数据集上的性能进行了评估和比较。这些数据集涵盖了不同的遗传结构（加性、上位性、异质性、单变量）、删失类型、特征数量以及生存分布（随机单调样条、Gamma分布、高斯分布、Weibull分布）。结果表明，Survival-LCS能够可靠地捕捉与生存结果相关的复杂关联，在挑战传统模型的场景中表现出与标准方法相当的分析能力。这项工作强调了基于规则的算法作为可解释的、无假设（即数据驱动的）生存分析方法的应用潜力，尤其是在数据维度较高或潜在关联复杂的领域中。