基于梯度提升决策树的混合治愈模型估计方法及其在结肠癌大样本研究中的应用

来自国内的研究人员针对传统治愈模型(Cure models)在参数假设和协变量处理上的局限性，创新性地将梯度提升决策树(GBDT)算法引入混合治愈模型估计领域。该研究通过非参数方法精准估计治愈概率和未治愈者相对风险，在大样本结肠癌数据中展现出更小的均方误差，为高维生存数据分析提供了新工具。

　　

在生存分析领域，混合治愈模型(Mixture Cure Model)是处理含治愈群体删失数据的重要工具。传统半参数估计方法受限于参数假设，而非参数方法仅适用于单协变量场景。这项研究突破性地将梯度提升决策树(Gradient Boosting Decision Tree, GBDT)应用于模型估计，通过集成学习能力捕捉协变量与治愈概率、未治愈者风险间的复杂非线性关系。

模拟研究显示，新方法在治愈概率估计、相对风险评分(Relative Risk Score)和生存函数预测方面均表现出更优的均方误差性能，尤其擅长处理高维协变量场景。研究者进一步将方法应用于结肠癌大样本数据集，验证了其在真实世界研究中的实用价值。该方法摆脱了对协变量效应形式的先验假设，为精准医学时代的复杂生存数据分析提供了强有力的计算工具。