CoxSE: Exploring the Potential of Self-Explaining Neural Networks with Cox Proportional Hazards Model for Survival Analysis

这篇论文探讨了自解释神经网络（SENN）在生存分析中的潜力。传统的 Cox 比例风险模型因其可解释性而被广泛使用。然而，为了增加其预测能力，该模型被扩展为利用深度神经网络，但这也牺牲了其可解释性。本文提出了一个新的局部可解释的 Cox 比例风险模型，称为 CoxSE，通过使用 SENN 估计局部线性对数风险函数来实现。同时，本文还提出了一种名为 CoxSENAM 的 NAM 模型，该模型与 SENN 混合，可以控制生成解释的稳定性和一致性。通过使用合成和真实数据集进行多个实验，与基于 NAM 的模型、使用 SHAP 解释的 DeepSurv 模型以及线性 Cox 模型进行比较。结果表明，与基于 NAM 的模型不同，基于 SENN 的模型可以提供更稳定和一致的解释，同时保持黑盒模型的表达能力。结果还表明，由于其结构设计，基于 NAM 的模型对非信息特征表现出更好的鲁棒性，而混合模型表现出最好的鲁棒性。

本文旨在探讨自解释神经网络（SENN）在生存分析中的应用，提出了一种名为CoxSE的局部可解释Cox比例风险模型，并将神经加性模型（NAM）与SENN相结合的CoxSENAM模型。旨在提高生存分析模型的预测能力和解释性。

本文的关键思路是使用SENN来构建CoxSE模型，该模型能够提供更加稳定和一致的解释，同时保持黑盒模型的表达能力。此外，CoxSENAM模型的提出使得可以控制生成解释的稳定性和一致性。

本文使用合成和真实数据集进行了实验，与NAM模型、DeepSurv模型和线性CPH模型进行比较。结果表明，与NAM模型相比，基于SENN的模型能够提供更加稳定和一致的解释，同时保持黑盒模型的表达能力。此外，NAM模型因其结构设计的原因，表现出更好的非信息特征鲁棒性。CoxSENAM模型表现最好。

与本文相关的研究包括利用深度学习进行生存分析的研究，如DeepSurv模型；以及利用解释性方法提高生存分析模型解释性的研究，如SHAP。