SurvReLU: Inherently Interpretable Survival Analysis via Deep ReLU Networks

生存分析模型用于处理具有审查的时间事件分布。近年来，由于其表征能力和最先进的性能，使用神经网络的深度生存模型已经占据主导地位。然而，它们的“黑匣子”性质阻碍了可解释性，而在实际应用中，这一点至关重要。相比之下，“白匣子”基于树的生存模型提供了更好的可解释性，但由于贪婪扩展而难以收敛到全局最优解。在本文中，我们通过深度修正线性单元（ReLU）网络来弥合以往深度生存模型和传统基于树的生存模型之间的差距。我们展示了一个经过精心构建的深度ReLU网络（SurvReLU）可以利用基于树的结构的可解释性和深度生存模型的表征能力。对于模拟和真实的生存基准数据集的实证研究表明，所提出的SurvReLU在性能和可互操作性方面是有效的。代码可在\href{https://github.com/xs018/SurvReLU}{\color{magenta}{ https://github.com/xs018/SurvReLU}}上获得。

本论文旨在解决深度生存分析模型与基于树的生存分析模型之间的权衡问题，提出了一种新的深度神经网络模型SurvReLU，旨在在保持树模型可解释性的同时，提高深度模型的表现力。

SurvReLU是一种深度神经网络模型，通过特定的ReLU结构，将树模型的可解释性与深度模型的表现力相结合。

论文使用了模拟数据和真实生存数据集对SurvReLU模型进行了实验验证，并与其他生存分析模型进行了比较。实验结果表明，SurvReLU模型在性能和可解释性方面都表现出色。此外，论文还提供了开源代码。

近年来，深度生存分析模型和基于树的生存分析模型都得到了广泛研究。其中，深度生存分析模型包括DeepSurv、DeepHit等；基于树的生存分析模型包括CoxBoost、Random Survival Forests等。