📊 statistics

KAPLAN: Kolmogorov-Arnold Prognostic Learnable Activation Networks for Survival Analysis

Het artikel introduceert KAPLAN-HR, een B-spline Kolmogorov-Arnold-netwerk voor overlevingsanalyse dat automatisch complexe covariaatinteracties en tijdvariërende effecten leert zonder handmatige specificatie, met dimensieonafhankelijke convergentiesnelheden en superieure voorspellende prestaties over klinische datasets heen.

Oorspronkelijke auteurs: Stelios Boulitsakis Logothetis, Angela Wood, Pietro Li ò

Gepubliceerd 2026-05-25

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Stelios Boulitsakis Logothetis, Angela Wood, Pietro Li ò

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een arts bent die probeert te voorspellen hoe lang een patiënt na een diagnose zal leven, of een monteur die moet raden wanneer een auto-onderdeel zal falen. Dit heet Survival Analysis (Overlevingsanalyse). Het lastige deel is dat je vaak niet het volledige verhaal te zien krijgt. Soms verhuist een patiënt, of wordt een auto verkocht voordat hij kapot gaat. Je weet alleen dat ze minimaal tot dat punt hebben overleefd. Dit heet "rechts censureren".

Decennialang hebben statistici tools zoals het Cox-model gebruikt om deze voorspellingen te doen. Zie het Cox-model als een zeer stijf, kant-en-klaar huis. Het is stevig en makkelijk te begrijpen, maar als je een wenteltrap of een dakraam wilt toevoegen (complexe interacties tussen variabelen), moet je dit zelf handmatig ontwerpen en bouwen. Als je een detail mist, past het hele huis misschien niet bij de realiteit van de data.

Dan is er KAPLAN-HR, de nieuwe methode die in dit artikel wordt geïntroduceerd. De auteurs (van de Universiteit van Cambridge) stellen een slimmere, flexibelere manier voor om deze voorspellingsmodellen te bouwen met behulp van zogenoemde Kolmogorov-Arnold Networks (KANs).

Hier is hoe KAPLAN-HR werkt, uitgelegd via eenvoudige analogieën:

1. De "Lego" versus de "Puzzel"

Traditionele deep learning-modellen (zoals standaard neurale netwerken) lijken op een gigantisch, massief betonblok. Ze zijn krachtig en kunnen bijna alles leren, maar ze zijn moeilijk te doorgronden. Je kunt niet makkelijk zien waarom ze een specifieke voorspelling hebben gedaan.

Oudere statistische modellen (zoals GAM's) lijken op een set Lego-blokjes. Je kunt ze aan elkaar klikken, maar elk blokje doet slechts één eenvoudige ding (zoals "hoe leeftijd het risico beïnvloedt" of "hoe tijd het risico beïnvloedt"). Als je wilt zien hoe leeftijd en tijd samen het risico op een complexe manier beïnvloeden, moet je het model handmatig vertellen om die specifieke blokjes aan elkaar te klikken.

KAPLAN-HR is als een slimme, zelfassemblerende puzzel.

De Randen: In plaats van vaste getallen zijn de verbindingen in het netwerk "leerbare functies". Stel je voor dat elke verbinding een flexibele rubberen band is die zich kan uitrekken en verdraaien tot elke vorm die nodig is om bij de data te passen.
De Lagen:
- Eén Laag: Als je slechts één laag gebruikt, werkt het als de oude Lego-modellen (GAM's). Het is simpel, additief en makkelijk te interpreteren.
- Meerdere Lagen: Als je meer lagen stapelt, beginnen de rubberen banden met elkaar te interageren. Het model kan nu complexe relaties zelf ontdekken – zoals hoe een bepaald medicijn misschien alleen werkt als een patiënt ook ouder is dan een bepaalde leeftijd, zonder dat je het moet vertellen om naar die specifieke combinatie te zoeken.

2. De "Vloek van de Dimensionaliteit" Breker

In datawetenschap is er een probleem dat de "vloek van de dimensionaliteit" heet. Het is als proberen een specifieke naald te vinden in een hooiberg die steeds groter en groter wordt. Meestal, naarmate je meer variabelen (covariaten) aan je model toevoegt, explodeert de hoeveelheid data die je nodig hebt om een goed antwoord te krijgen.

Het artikel beweert dat KAPLAN-HR een speciale superkracht heeft: het negeert de grootte van de hooiberg.
De auteurs hebben wiskundig bewezen dat als de waarheid in de echte wereld kan worden beschreven door deze "flexibele puzzel"-structuur, het model even snel leert of je nu 5 variabelen of 500 hebt. Het wordt niet langzamer en heeft niet meer data nodig alleen maar omdat het probleem complexer is geworden. Dit is een enorme zaak, omdat medische datasets vaak honderden verschillende metingen bevatten.

3. Het "Trainings"proces

Hoe leert het model?

Het kijkt naar de data (patiënten, tijden, en of het gebeurtenis heeft plaatsgevonden).
Het probeert een kromme (de "hazard") te tekenen die het beste bij de data past.
Omdat het B-splines (een type gladde wiskundige kromme) combineert met een beetje van een moderne activatiefunctie (SiLU), kan het kronkelen en buigen om perfect bij de data te passen zonder te erg hoekig of te glad te zijn.
Het gebruikt een "numerieke integratie"-truc om zijn voorspellingen om te zetten in overlevingskrommen (de waarschijnlijkheid om tot een bepaald tijdstip in leven te blijven), wat noodzakelijk is omdat de wiskunde te rommelig wordt om met een simpele formule op te lossen.

4. Werkte het? (De Resultaten)

De auteurs testten KAPLAN-HR op zes echte klinische datasets (waaronder borstkankergegevens, hartfalen-data en IC-patiëntregistraties). Ze vergeleken het met:

De oude standaard (Cox-modellen).
De flexibele Lego-modellen (GAM's).
De grote betonblokken (Deep Learning-modellen zoals DeepSurv en DeepHit).

Het Oordeel:
KAPLAN-HR was een kampioen.

Het kwam overeen met of versloeg de beste bestaande modellen in het voorspellen wie langer zou overleven (Discriminatie).
Het was zeer nauwkeurig in het voorspellen van de exacte overlevingskromme (Nauwkeurigheid).
Het was goed gekalibreerd, wat betekent dat als het zei dat er 20% kans was op een gebeurtenis, dit ook ongeveer 20% van de tijd daadwerkelijk gebeurde.

Cruciaal is dat ze in hun simulaties lieten zien dat wanneer de data complexe interacties had (zoals een "draai" in de relatie tussen variabelen), de oude modellen vastliepen en stopten met verbeteren, terwijl KAPLAN-HR bleef verbeteren naarmate het meer data zag.

Samenvatting

KAPLAN-HR is een nieuw instrument voor het voorspellen van tijd-tot-gebeurtenis data (zoals overlevingstijden). Het overbrugt de kloof tussen eenvoudige, makkelijk te begrijpen statistische modellen en complexe, black-box deep learning-modellen. Het maakt gebruik van een flexibele, puzzel-achtige architectuur die complexe relaties in de data automatisch kan ontdekken zonder dat een mens ze handmatig hoeft te programmeren. Het artikel bewijst dat deze methode wiskundig onderbouwd is (het leert snel ongeacht de complexiteit van de data) en praktisch effectief (het presteert even goed of beter dan de huidige state-of-the-art op echte medische data).

Technische Samenvatting: KAPLAN-HR

Probleemstelling

Overlevingsanalyse beoogt de verdeling van de tijd tot een gebeurtenis te modelleren onder rechtscensuur, waarbij de exacte tijd van de gebeurtenis slechts gedeeltelijk wordt waargenomen. Hoewel het Cox-proportionele gevaren (PH)-model de standaard is, vereist het handmatige specificatie van feature-interacties en gaat het uit van tijdsinvariante covariabeleffecten, wat voor rijke klinische datasets steeds onpraktischer wordt. Bestaande flexibele alternatieven, zoals Generalised Additive Models (GAMs) en HARE, zijn structureel beperkt: GAMs vereisen handmatige interactietermen, en HARE kan hogere-orde interacties niet weergeven. Omgekeerd lossen deep learning-benaderingen structurele beperkingen op, maar offeren ze vaak de interpreteerbaarheid en de additieve structuur van klassieke modellen op. Bovendien tonen recente toepassingen van Kolmogorov-Arnold Networks (KANs) in overlevingsanalyse veelbelovende resultaten, maar ontbreekt er een formele theoretische analyse met betrekking tot convergentiesnelheden en statistische eigenschappen.

Methodologie: KAPLAN-HR

De auteurs introduceren KAPLAN-HR (Kolmogorov-Arnold Prognostic Learnable Activation Networks for Survival Analysis), een B-spline KAN die is ontworpen om de conditionele hazard te schatten als een gezamenlijke functie van covariabelen ( $x$ ) en tijd ( $t$ ).

Architectuur

Het model parameteriseert de log-hazardfunctie $g(x, t)$ met behulp van een KAN, waarbij randen leerbare univariate functies dragen en knopen invoer sommeren.

Randparameterisatie: Elke rand is een gewogen som van een B-spline en een residu SiLU-term (Sigmoid Linear Unit).
Diepte en Structuur:
- Enkelvoudige laag ( $D=1$ ): Herstelt een additieve B-spline GAM onder de PH-restrictie, waarbij $\log \lambda(t|x) = \sum \phi_i(x^{(i)}) + \phi_t(t)$ .
- Diepe architecturen ( $D \ge 2$ ): Door compositie vangen diepere lagen covariabele-interacties en tijdsvariërende effecten op, waardoor zowel de additieve als de proportionele gevarenrestricties worden opgeheven.
Training: Het model minimaliseert de negatieve log-likelihood (NLL) van de waargenomen data. Aangezien de cumulatieve hazard $\Lambda(t|x) = \int_0^t \lambda(s|x) ds$ geen gesloten vorm heeft voor door KAN gemodelleerde hazards, benaderen de auteurs deze met numerieke integratie (rechthoekregel met het rechter eindpunt) over een discrete tijdsgrid.

Theoretische Analyse

Het artikel stelt een convergentiesnelheid vast voor de KAPLAN-HR-schatter met behulp van de methode van zeven.

Aannames: De ware log-hazard $g^*$ wordt verondersteld te liggen binnen een klasse van functies die kunnen worden weergegeven als een gelaagde compositie van gladde univariate functies ( $FKAN_r$ ). Censuur wordt verondersteld onafhankelijk te zijn van de tijd van de gebeurtenis, conditioneel op covariabelen.
Convergentiesnelheid: De auteurs bewijzen dat de Hellinger-afstand tussen de geschatte en de ware log-hazard convergeert met een snelheid van $O_P(n^{-r/(2r+1)}\sqrt{\log n})$ , waarbij $r$ de gladheids-exponent is.
Betekenis van de snelheid: Cruciaal is dat deze snelheid alleen afhankelijk is van de gladheid van de representatie en de steekproefgrootte, niet van de covariabele-dimensie (tot op een logaritmische factor). Dit suggereert dat KAPLAN-HR de vloek van de dimensionaliteit mitigeert voor doelen die door KANs kunnen worden weergegeven.

Belangrijkste Bijdragen

Modelvoorstel: KAPLAN-HR fungeert als brug tussen additieve spline-gebaseerde hazardmodellen en diepe overlevingsmodellen, waarbij de netwerkdiepte het niveau van structurele versoepeling regelt (van additief naar interactief).
Theoretische Garantie: Het artikel biedt de eerste formele convergentiesnelheid voor een op KAN gebaseerd overlevingsmodel, waarbij dimensie-onafhankelijkheid wordt aangetoond voor door KANs weergegeven doelen.
Empirische Validatie: Uitgebreide evaluatie op zes klinische benchmarkdatasets en simulatiestudies.

Experimentele Resultaten

Simulaties

De auteurs testten vier Data Generating Processes (DGPs) met variërende gladheid en interactiestructuren:

Convergentie: KAPLAN-HR volgde de voorspelde convergentiesnelheid ( $n^{-r/(2r+1)}$ ) over alle DGPs heen.
Interacties: Waar GAMs convergeerden op additieve DGPs (DGP-1, DGP-2), plateauerden ze op interactie-rijke DGPs (DGP-3, DGP-4). KAPLAN-HR bleef verbeteren, wat zijn vermogen aantoont om interacties te vangen die additieve modellen niet kunnen.

Klinische Benchmarks

KAPLAN-HR werd geëvalueerd op zes standaarddatasets (METABRIC, MIMIC-III, RotGBSG, FLCHAIN, NWTCO, SUPPORT) tegen negen baselines (CoxPH, GAM, HARE, DeepSurv, DeepHit, DSM, CoxKAN, enz.) met behulp van discriminatie (C-TD), overlevingsnauwkeurigheid (IBS) en kalibratie (ICI, D-CAL).

Prestaties: KAPLAN-HR behaalde de beste C-TD op 4 van de 6 datasets, de beste IBS op 3 van de 6, en de beste ICI op 2 van de 6.
Betekenis: In een Wilcoxon getekende rangtest met Holm-Bonferroni-correctie toonde KAPLAN-HR een statistisch significante verbetering in discriminatie op de FLCHAIN-dataset ten opzichte van de beste baseline (DeepSurv). Er werden geen significante verslechtering in geen enkele metriek waargenomen.
Rangschikking: Gemiddeld scoorde KAPLAN-HR competitief, vaak gelijkend op of overtreffend gevestigde statistische en deep learning-methoden.

Betekenis en Claims

Het artikel claimt dat KAPLAN-HR een principiële aanpak voor overlevingsanalyse biedt die flexibiliteit en interpreteerbaarheid in evenwicht brengt.

Theoretische Nieuwheid: De primaire bijdrage is de vaststelling van een dimensievrije convergentiesnelheid voor op KAN gebaseerde hazard-schatters, een theoretische lacune die eerder niet was aangepakt in de KAN-overlevingsliteratuur.
Praktische Nut: De methode slaagt erin complexe interacties en tijdsvariërende effecten te vangen zonder handmatige specificatie, en presteert beter dan of gelijk aan state-of-the-art modellen op real-world klinische data.
Beperkingen: De auteurs merken op dat de convergentieresultaten afhankelijk zijn van de structurele aanname dat de ware log-hazard door een KAN kan worden weergegeven, wat mogelijk niet in alle real-world scenario's geldt. Bovendien beschrijven de theoretische garanties asymptotisch gedrag in plaats van prestaties bij eindige steekproeven. Het artikel erkent ook bekende tekortkomingen in de gangbare praktijken voor benchmarking van overlevingsanalyse.

Concluderend toont KAPLAN-HR aan dat KANs goed geschikt zijn voor overlevingsanalyse, en biedt een model dat theoretisch onderbouwd, dimensionaal robuust en empirisch competitief is.