🤖 machine learning

K-Survival Means

Este artículo presenta K-SurvMeans, una nueva extensión de K-Means para la agrupación de datos de supervivencia que optimiza los centros de los clústeres para maximizar las diferencias de supervivencia por pares utilizando Optimización por Enjambre de Partículas y un espacio latente de baja dimensión aprendido, demostrando un rendimiento superior en la separación de distribuciones de supervivencia en comparación con los métodos existentes de aprendizaje profundo.

Autores originales: Abdallah Alabdallah

Publicado 2026-07-28

📖 6 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Abdallah Alabdallah

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que eres un detective tratando de organizar a una multitud masiva de personas en diferentes equipos. Normalmente, los agruparías por cómo se ven o por lo que visten—tal vez todas las personas con camisas rojas van en un grupo, y las personas con camisas azules en otro. Pero, ¿y si la verdadera historia no trata sobre su ropa, sino sobre cuánto tiempo se quedan en la fiesta antes de irse? En el mundo de la medicina y la estadística, esto se llama análisis de supervivencia. Es el arte de predecir no solo qué le sucede a alguien, sino cuándo le sucede, como cuánto tiempo podría vivir un paciente tras un diagnóstico o cuánto tiempo podría funcionar una máquina antes de romperse. La parte complicada es que, a veces, la gente se va de la fiesta temprano (el evento ocurre), y otras veces simplemente salen de la fiesta antes de que esta termine (el evento aún no ha ocurrido, lo que se conoce como datos "censurados"). Los científicos han utilizado durante mucho tiempo una herramienta clásica llamada K-Means para clasificar a las personas en grupos según sus características, pero esta herramienta es un poco ciega; clasifica por apariencia sin importar si los grupos tienen diferentes "capacidad de permanencia" en la fiesta. Este artículo plantea una pregunta simple pero poderosa: ¿Podemos enseñar a esta herramienta de clasificación a que le importe el tiempo que la gente permanece, para que los grupos que encontremos sean verdaderamente diferentes en cuanto a cuánto sobreviven?

Entra K-SurvMeans, una nueva y astuta mejora del antiguo algoritmo K-Means, propuesta por Abdallah Alabdallah. Piensa en el K-Means original como un profesor que clasifica a los estudiantes en grupos basándose en qué tan similares son sus mochilas. K-SurvMeans, sin embargo, es un profesor que clasifica a los estudiantes basándose en cuánto tiempo es probable que se queden en el aula antes de que suene el timbre. En lugar de solo mirar las características (las mochilas), este nuevo método mira el resultado de supervivencia (el tiempo hasta que suena el timbre) y utiliza esa información para decidir dónde se sienta cada uno. El objetivo es asegurar que los grupos formados sean lo más diferentes posible entre sí en términos de sus tiempos de supervivencia. Si el Grupo A sale de la sala muy rápido y el Grupo B se queda por horas, esa es una división perfecta. Si ambos grupos se van al mismo tiempo, la división es inútil, incluso si se ven diferentes.

Para encontrar estos grupos perfectos, los autores tuvieron que resolver un rompecabezas matemático complicado. La forma habitual de clasificar cosas (como el K-Means) utiliza un camino suave y deslizante para encontrar la mejor respuesta, pero las matemáticas para comparar tiempos de supervivencia son "accidentadas" y no se deslizan suavemente. Por ello, los autores utilizaron una estrategia diferente llamada Optimización por Enjambre de Partículas (Particle Swarm Optimization). Imagina un enjambre de aves volando alrededor de un bosque buscando el mejor parche de bayas. Cada ave (o "partícula") representa una posible forma de clasificar los datos. Vuelan por ahí, compartiendo información sobre dónde encontraron buenas bayas (buenos agrupamientos) y ajustando sus rutas de vuelo para encontrar el lugar absolutamente mejor. En este caso, las "bayas" son agrupamientos donde las diferencias de supervivencia entre los grupos son enormes. El algoritmo prueba miles de estos "enjambres de aves" para encontrar la disposición que maximiza la separación entre los grupos.

El artículo también aborda un problema llamado la "maldición de la dimensionalidad", que es como intentar encontrar una aguja en un pajar que se hace cada vez más grande y grande. Cuando hay demasiadas características que observar, las matemáticas se vuelven demasiado complicadas para que las aves vuelen de manera eficiente. Para solucionar esto, los autores crearon una versión llamada K-SurvMeans (Latent). Primero reducen los datos a un espacio más simple y de menor dimensión (como comprimir un mapa gigante y detallado en un boceto pequeño y fácil de leer) y luego dejan que el enjambre de aves clasifique los grupos allí. Esto hace que la búsqueda sea más rápida y ayuda a encontrar grupos más claros y distintos.

Cuando los autores probaron este nuevo método en varios conjuntos de datos del mundo real (incluyendo datos médicos como FLCHAIN, SUPPORT, METABRIC y NWTCO), los resultados fueron bastante prometedores. Compararon K-SurvMeans contra el K-Means original, una versión de K-Means con la compresión de "boceto", y algunos métodos complejos basados en aprendizaje profundo que intentan hacer lo mismo. Los hallazgos sugieren que K-SurvMeans, especialmente la versión "Latent", es muy bueno en su trabajo. En muchos casos, logró crear grupos donde el 100% de los pares de clústeres mostraron una diferencia estadísticamente significativa en los tiempos de supervivencia. Por ejemplo, en el conjunto de datos FLCHAIN, K-SurvMeans (Latent) encontró 5 grupos distintos, y cada par de esos grupos era claramente diferente en cuanto al tiempo que sobrevivieron los pacientes.

En contraste, los métodos de aprendizaje profundo (como SCA y VaDeSC) a menudo encontraron más grupos, pero esos grupos no siempre eran tan diferentes entre sí. Es como si los modelos de aprendizaje profundo encontraran 15 equipos diferentes, pero muchos de ellos tuvieran jugadores que se fueron de la fiesta casi al mismo tiempo, haciendo que los equipos fueran menos útiles para entender el riesgo. Los autores también observaron que, mientras que el K-Means estándar (sin información de supervivencia) a veces encontraba grupos que parecían diferentes en tiempo de supervivencia, usualmente encontraba menos grupos y no capturaba tanta variedad en la población como el nuevo método lo hacía.

El artículo concluye que K-SurvMeans es una forma fuerte, simple y efectiva de clasificar datos de supervivencia. Sugiere que, al optimizar directamente para las diferencias de supervivencia, podemos obtener grupos más claros y significativos que simplemente mirando las características o usando modelos de aprendizaje profundo excesivamente complejos. Sin embargo, los autores son cuidadosos al notar que este método aún no es perfecto; puede volverse lento si los datos son enormes o si se intenta encontrar demasiados grupos a la vez. También señalan que, a diferencia de los modelos de aprendizaje profundo, K-SurvMeans no predice actualmente curvas de supervivencia individuales para cada persona, solo los grupos. Pero para la tarea específica de encontrar grupos de pacientes o sistemas distintos y bien separados, esta nueva herramienta de clasificación "consciente de la supervivencia" sugiere un camino muy efectivo hacia adelante.

Resumen Técnico: K-Survival Means (K-SurvMeans)

Planteamiento del Problema
El análisis de supervivencia es fundamental para modelar datos de tiempo hasta un evento en campos como la atención médica, el mantenimiento predictivo y la evaluación de riesgos. Un desafío fundamental en este dominio es la estratificación de pacientes: identificar subgrupos con perfiles de riesgo distintos para apoyar intervenciones personalizadas. Aunque las técnicas de agrupamiento (clustering) son candidatas naturales para descubrir tales subgruos, los algoritmos convencionales como K-Means operan únicamente en los espacios de características de entrada. Estos buscan grupos de observaciones que son similares en el espacio de características, pero no consideran explícitamente los resultados de supervivencia (tiempo hasta el evento y estado de censura) durante el proceso de optimización. En consecuencia, los grupos generados por métodos estándar pueden exhibir distribuciones de supervivencia similares, lo que limita su utilidad para la estratificación de riesgos. Aunque se han desarrollado enfoques de aprendizaje profundo (por ejemplo, SCA, VaDeSC) para aprender conjuntamente representaciones latentes y objetivos de supervivencia, estos suelen introducir una complejidad de modelo sustancial, requieren grandes conjuntos de datos y necesitan un ajuste extensivo de hiperparámetros. Los algoritmos de agrupamiento tradicionales siguen estando poco explorados en el contexto de los datos de supervivencia a pesar de su simplicidad e interpretabilidad.

Metodología
El artículo propone K-SurvMeans, una novedosa extensión del algoritmo K-Means diseñada específicamente para el agrupamiento de datos de supervivencia. La innovación central es la incorporación explícita de los resultados de supervivencia en la función objetivo de agrupamiento para maximizar las diferencias de supervivencia por pares entre los grupos.

Función Objetivo: A diferencia del K-Means estándar, que minimiza la varianza intra-grupo, K-SurvMeans define una función de pérdida basada en la prueba de log-rank. Para un conjunto de $k$ centros de grupo, el algoritmo asigna las observaciones al centro más cercano y calcula el estadístico de log-rank ( $\chi^2_{ij}$ ) y el valor p ( $p_{ij}$ ) para cada par de grupos. El objetivo es maximizar la suma de los estadísticos de log-rank para los pares que son estadísticamente significativos (por debajo de un umbral $\alpha$ ). La función de pérdida se formula como:
$L(C; X, k) = - \left( \sum_{0 \le i < j \le k-1} \mathbb{1}(p_{ij} < \alpha) \right) \left( \sum_{0 \le i < j \le k-1} \chi^2_{ij} \right)$
El objetivo es encontrar los centros de grupo $C^*$ que minimicen esta pérdida.
Optimización: Dado que la función objetivo que involucra la prueba de log-rank y las funciones indicadoras no es diferenciable, los autores emplean la Optimización por Enjambre de Partículas (PSO). En este marco, cada partícula representa una solución candidata codificada como la concatenación de las coordenadas de todos los $k$ centros de grupo. Las partículas actualizan iterativamente sus posiciones basándose en las puntuaciones de aptitud (fitness) personales y globales, donde la aptitud se determina mediante el valor de la función objetivo.
Reducción de Dimensionalidad: Para mitigar la "maldición de la dimensionalidad" y mejorar la eficiencia de la optimización, el método se extiende para operar en un espacio latente de baja dimensión aprendido. Una función de reducción de dimensionalidad $f_\theta$ (por ejemplo, PCA) mapea la entrada original de alta dimensión a un espacio de menor dimensión $z$ . El agrupamiento de optimización se realiza entonces sobre estas representaciones latentes. En la formulación actual, el codificador se aprende independientemente del bucle de agrupamiento (fijo durante la optimización), aunque los autores señalan que el aprendizaje conjunto es una dirección futura potencial.

Contribuciones Clave

Extensión Algorítmica: La introducción de K-SurvMeans, que adapta el marco de K-Means basado en centroides al análisis de supervivencia mediante la sustitución del objetivo de distancia euclidiana por un objetivo de log-rank impulsado por la supervivencia.
Estrategia de Optimización: La aplicación de la Optimización por Enjambre de Partículas para resolver el problema de agrupamiento no diferenciable, lo que permite la maximización directa de la separación de supervivencia sin requerir retropropagación basada en gradientes.
Integración de Espacio Latente: Un marco que combina la reducción de dimensionalidad con el agrupamiento de supervivencia para manejar datos de alta dimensión y reducir la complejidad del espacio de búsqueda.
Evaluación Comparativa (Benchmarking): Una evaluación exhaustiva frente a tanto líneas de base tradicionales (K-Means con/sin PCA) como métodos de aprendizaje profundo de vanguardia (SCA y VaDeSC) a través de múltiples conjuntos de datos de supervivencia públicos.

Resultos
Los experimentos se realizaron en cuatro conjuntos de datos de referencia disponibles públicamente (FLCHAIN, SUPPORT, METABRIC, NWTCO). La métrica de evaluación es el porcentaje de diferencias significativas por pares (basadas en la prueba de log-rank) en todos los pares de grupos.

Desempeño: K-SurvMeans, particularmente la variante que opera en el espacio latente (K-SurvMeans(Latent)), alcanzó consistentemente el porcentaje más alto de diferencias significativas por pares en comparación con todos los demás métodos. Identificó con éxito grupos con distribuciones de supervivencia distintas.
Granularidad de los Grupos: Mientras que los métodos de aprendizaje profundo (SCA, VaDeSC) a menudo identificaron un mayor número de grupos, estos grupos frecuentemente exhibieron una separación de supervivencia más débil (menores porcentajes de diferencias significativas). En contraste, K-SurvMeans(Latent) equilibró el descubrimiento de un mayor número de grupos con una alta separación de supervivencia, lo que sugiere que captura subgrupos más finos y clínicamente significativos.
Comparación con Líneas de Base: El K-Means estándar y K-Means(Latent) lograron porcentajes de separación relativamente altos, pero tendieron a producir menos grupos, capturando menos heterogeneidad de la población que el método propuesto.
Visualización: Las curvas de supervivencia de Kaplan-Meier demostraron que los grupos encontrados por K-SurvMeans(Latent) mostraron una separación clara con un solapamiento limitado, superando a las líneas de base de aprendizaje profundo en términos de perfiles de supervivencia distintos.

Significancia y Reivindicaciones
El artículo afirma que K-SurvMeans ofrece una alternativa convincente a los modelos complejos de aprendizaje profundo para el agrupamiento de supervivencia. Al optimizar explícitamente la separación de supervivencia, el método produce grupos que son más útiles para la estratificación de riesgos y la toma de decisiones. Los autores enfatizan que el método conserva la simplicidad e interpretabilidad del agrupamiento basado en centroides mientras incorpora eficazmente la información de supervivencia.

Los autores reconocen modestamente las limitaciones, específicamente la escalabilidad del método a dimensiones muy altas y un gran número de grupos, lo cual abordan mediante la reducción de dimensionalidad. También señalan que, a diferencia de SCA y VaDeSC, K-SurvMeans actualmente se centra en el agrupamiento y no predice curvas de supervivencia individualizadas. Se planea un trabajo futuro para integrar el aprendizaje de embeddings directamente en el proceso de optimización y extender el método para predecir curvas de supervivencia individualizadas. La implementación completa está disponible en GitHub para facilitar la reproducibilidad.

Resumen Técnico: K-Survival Means (K-SurvMeans)

Más como este