DynSHAP：迈向可解释的动态生存分析

动态生存分析（DSA）的深度学习模型通过整合患者的纵向数据，取得了出色的预测性能，但其黑盒特性限制了临床信任与应用。现有的可解释性方法无法同时处理纵向、不规则输入和函数形式的生存输出，因而限制了其在 DSA 中的实用性。我们提出了专为动态生存分析设计的 SHAP 框架 DynSHAP。该框架将时间—特征对视为 Shapley 博弈中的参与者，从而将常见的边际 SHAP 估计方法扩展到这一场景。我们进一步提出 Temporal DynSHAP，通过学习特征随时间变化的线性依赖关系，并采用条件采样在解释中处理这些依赖关系。在具有已知真实归因的合成数据上应用时，对于给定的当前最先进模型，Temporal DynSHAP 比边际估计方法更准确地找回具有时间依赖性的特征。在两个真实世界临床数据集和两种 DSA 架构上的应用结果表明，DynSHAP 生成的归因忠实于模型的学习过程，使医学专家能够了解哪些患者信息驱动了预测，以及这些信息在何时发挥了作用。