DeepAJM：用于不规则采样数据的深度关联联合模型

arXiv:2610.07388v1 公告类型：cross 摘要：联合模型同时对纵向结局和生存结局进行建模，利用患者纵向轨迹中的模式来改善对生存结局的预测。然而，经典参数联合模型依赖固定的参数假设，在模型设定错误和样本量较小时容易产生偏差。我们提出了一种深度联合模型 DeepAJM，该模型无需任何参数假设，同时保留了按纵向结局划分的、具有部分可解释性的关联结构。该联合模型采用编码器-解码器（序列到序列）架构，学习患者时变协变量轨迹中的潜在结构。模型通过学习得到的可解释关联结构，将纵向过程与生存过程连接起来：解码器输出的每个纵向结果都会先根据基线协变量重新调制，然后再对架构中生存分支生成的风险评分产生贡献。我们在三个数据集上对该模型进行了评估，包括心血管疾病电子健康记录（EHR）队列、原发性胆汁性肝硬化（PBC2）数据集和模拟数据集，并将其与经典参数联合模型、TransformerJM、DA-LSTM 以及基于 Cox 的仅生存模型进行了比较。所有模型均使用 C-index、积分 Brier 分数（IBS）、时间依赖 AUROC 和时间依赖 AUPRC 进行评估。在所有数据集上，我们的模型在 C-index、时间依赖 AUROC 和 AUPRC 方面均取得了最佳的判别性能。