一致性指数(C-Index)是用于评估预测模型性能的生存分析中的常用度量。在本文中,我们提出将C索引分解为两个数量的加权谐波平均值:一个用于排名观察到的事件与其他观察到的事件,另一个用于排名观察到的事件与审查案例。这种分解可以对不同生存预测方法之间的相对强度和劣势进行更细粒度的分析。通过基准比较与经典模型和最先进的方法以及本文提出的新的基于神经网络网络的方法(Surved),通过基准比较来证明这种分解的有用性。使用四个公开可用的数据集评估模型的性能,其审查水平不同。使用C-指数分解和合成审查,分析表明,深度学习模型比其他模型更有效地利用了观察到的事件。这使他们可以将稳定的C索引保持在不同的审查级别。与这种深度学习方法相反,当审查水平降低,因为它们无法改善对事件的排名与其他事件,因此经典的机器学习模型会恶化。
主要关键词