[发明专利]一种基于Efron近似优化的生存风险建模方法

说明书

本发明提供了一种基于Efron近似优化的生存风险建模方法，该方法包括：首先在最优梯度提升树(XGBoost)的模型算法框架下，构建用于建立金融、保险、医疗、交通或工业目标行业生存预测模型的生存数据的表达式；然后定义并计算所述生存数据对应的损失函数；随后定义并计算所述损失函数对应的一阶梯度和二阶梯度；最后将计算出的损失函数值以及损失函数的一阶梯度和二阶梯度值同时输入XGBoost模型算法框架，自动训练生成所述目标行业的生存预测模型。本发明的建模方法能更好地表示协变量与风险预测值之间的关系；提高模型的预测性能以及模型的泛化能力；有效改进生存预测模型的风险区分度和实用性；并且适用场景广泛。

技术领域

本发明涉及计算机生存风险分析和机器学习领域，尤其涉及一种基于Efron近似优化的生存风险建模方法。

背景技术

生存风险分析方法被广泛应用到各行各业，比如，在临床肿瘤研究中，常常需要对患者做长期的随访跟踪和研究，从而考察临床措施对未来死亡风险的影响。肿瘤患者通常会通过手术，以及化疗等治疗措施进行干预，在治疗过后随时可能面临着复发的风险，科学地评估预测肿瘤患者复发风险状态可以辅助医生制定恰当的治疗计划，为降低患者疾病进展风险和改善预后提供新的支撑。又比如，在金融，保险，交通和工业等领域，用于研究在观测时间点发生某个特定事件的概率，进而估计随时间变化的风险曲线和生存曲线。

评估预测未来生存风险，可以基于观测到的生存数据并使用生存风险分析方法建立生存预测模型。生存风险分析主要是研究在观测时间点发生某个特定事件的概率，进而估计观测对象的风险函数和生存函数。生存风险分析研究目标不仅仅只是事件的发生，还有发生事件的时间，这使得它不同于我们熟悉的分类和回归问题。

为了建立用于生存预测模型，需要保证生存预测模型的准确性、提高生存风险的区分度以及泛化能力，采用更加高性能和更健壮的生存风险分析方法有很大的必要性，其主要表现在以下两个方面：

(1)预测模型性能。一些生存分析方法假设观测对象的生存风险与协变量之间是线性函数关系，从而得到易于解释的线性预测模型，但是这类生存分析方法很大程度上限制了模型的表达能力。另外一些生存风险分析方法虽然可以表达观测对象复发风险与协变量之间复杂的非线性关系，但是事实上，它们在模型学习的过程中对目标损失函数的近似不够精确，或者对生存数据的偏似然函数的近似不够精确。这些都会限制生存预测模型的学习能力，从而影响生存预测模型的性能，导致对观测的风险函数和生存函数的估计出现偏差。

(2)预测模型泛化能力。当生存风险分析方法没有采用有效的正则化措施时，基于生存数据训练的生存预测模型很容易出现过拟合的情况。这会导致生存预测模型在训练数据上表现很好，但是在独立的测试数据上效果却很差。用于应用实践的生存预测模型，必须具有较好的泛化能力，且能够有效地抵抗数据噪声的干扰，保证生存预测模型的实用和推广价值。

因此，为构建实用且高性能的生存预测模型，需要采用更加高性能和更健壮的生存风险分析方法，从而在提高生存预测模型学习能力的同时，保证生存预测模型的泛化能力。使得生存预测模型能够准确估计观测对象的生存风险以及生存状态。

用于建立生存预测模型的生存风险分析方法总体来可分为以下几种：

(1)Cox比例风险方法。Cox比例风险方法假设观测对象的风险函数与人群的基准风险函数之比是一个时不变量，且观测对象的生存风险与协变量之间是线性函数关系。以优化生存数据对应的偏似然函数为目标，可以得到易于解释的线性预测模型。但是该方法很大程度上限制了模型的表达能力，无法表示生存风险与协变量之间的非线性关系。

(2)随机生存森林方法。随机生存森林方法来源于随机森林，它主要用于预测观测对象的生存状态，完全基于生存分析中生存函数和风险函数的无参数估计方法，而不再局限于Cox比例风险模型的假设。该方法和众多的无参数估计方法一样，需要大量的数据作为支撑，且容易出现过拟合的现象。