📊 statistics

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

本文介绍了 KAPLAN-HR，这是一种用于生存分析的 B 样条柯尔莫哥洛夫 - 阿诺德网络，它能够自动学习复杂的协变量交互作用和时间变化效应而无需人工指定，并在临床数据集中提供与维度无关的收敛速率和卓越的预测性能。

原作者： Stelios Boulitsakis Logothetis, Angela Wood, Pietro Li ò

发布于 2026-05-25

📖 1 分钟阅读☕ 轻松阅读

原作者： Stelios Boulitsakis Logothetis, Angela Wood, Pietro Li ò

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你是一名医生，试图预测患者在确诊后的生存时长；或者你是一名机械师，试图猜测汽车零件何时会损坏。这被称为生存分析。棘手之处在于，你往往无法看到完整的故事。有时患者搬走了，或者汽车在损坏前就被卖掉了。你只知道他们至少存活到了那个时间点。这被称为“右删失”。

几十年来，统计学家一直使用Cox 模型等工具来进行这些预测。可以将 Cox 模型想象成一座非常坚固的预制房屋。它坚固且易于理解，但如果你想要添加旋转楼梯或天窗（变量之间的复杂交互），你就必须亲自设计和建造它们。如果你遗漏了某个细节，整座房屋可能就无法契合数据的现实。

现在，KAPLAN-HR登场了，这是本文介绍的新方法。作者（来自剑桥大学）提出了一种更智能、更灵活的方式来构建这些预测模型，使用的是称为**Kolmogorov-Arnold 网络（KANs）**的技术。

以下是 KAPLAN-HR 的工作原理，通过简单的类比进行解释：

1. “乐高”与“拼图”

传统的深度学习模型（如标准神经网络）就像一块巨大的实心混凝土块。它们功能强大，几乎可以学习任何事物，但很难理解。你无法轻易看出它们为什么会做出特定的预测。

较旧的统计模型（如广义加性模型 GAMs）就像一套乐高积木。你可以将它们拼接在一起，但每块积木只能做一件简单的事情（例如“年龄如何影响风险”或“时间如何影响风险”）。如果你想看到年龄和时间共同以复杂方式影响风险，你必须手动告诉模型将这些特定的积木拼接在一起。

KAPLAN-HR则像是一个智能的、自组装的拼图。

边缘： 网络中的连接不是固定的数字，而是“可学习的函数”。想象每个连接都是一根灵活的橡皮筋，它可以拉伸和扭曲成任何形状，以适应数据的需求。
层级：
- 单层： 如果你只使用一层，它就像旧的乐高模型（GAMs）。它简单、可加且易于解释。
- 多层： 如果你堆叠更多层，橡皮筋就开始相互作用。模型现在可以自行找出复杂的关系——例如，某种特定药物可能仅在患者超过一定年龄时才有效，而无需你告诉它去寻找这种特定的组合。

2. “维数灾难”的破解者

在数据科学中，存在一个被称为“维数灾难”的问题。这就像试图在一堆不断变大的干草堆中找到一根特定的针。通常，当你向模型中添加更多变量（协变量）时，获得良好答案所需的数据量会呈爆炸式增长。

论文声称，KAPLAN-HR 拥有一种特殊的超能力：它无视干草堆的大小。
作者从数学上证明，如果现实世界的真相可以用这种“灵活拼图”结构来描述，那么无论你拥有 5 个变量还是 500 个变量，模型的學習速度都是一样的。仅仅因为问题变得更复杂，它并不会变慢，也不需要更多的数据。这是一个巨大的突破，因为医学数据集通常包含数百种不同的测量指标。

3. “训练”过程

模型是如何学习的？

它查看数据（患者、时间以及事件是否发生）。
它尝试绘制一条最能拟合数据的曲线（即“风险函数”）。
因为它使用了B 样条（一种平滑的数学曲线）结合少量的现代激活函数（SiLU），所以它可以弯曲和扭动以完美拟合数据，而不会过于锯齿化或过于平滑。
它使用一种“数值积分”技巧，将其预测转化为生存曲线（存活到特定时间的概率），这是必要的，因为数学问题过于复杂，无法用简单的公式求解。

4. 它奏效了吗？（结果）

作者在六个真实的临床数据集（包括乳腺癌数据、心力衰竭数据和重症监护室患者记录）上测试了 KAPLAN-HR。他们将其与以下模型进行了比较：

旧标准（Cox 模型）。
灵活的乐高模型（GAMs）。
巨大的混凝土块（深度学习模型，如 DeepSurv 和 DeepHit）。

结论：
KAPLAN-HR 是冠军。

在预测谁存活时间更长（区分度）方面，它达到或超过了现有最佳模型。
在预测确切生存曲线（准确性）方面，它非常准确。
它的校准度良好，这意味着如果它预测某事件发生的概率为 20%，那么该事件实际上发生的频率也约为 20%。

至关重要的是，在他们的模拟中，他们表明当数据存在复杂交互（例如变量之间关系的“扭曲”）时，旧模型会陷入停滞并停止改进，而 KAPLAN-HR 则随着看到更多数据而持续变得更好。

总结

KAPLAN-HR是一种用于预测时间 - 事件数据（如生存时间）的新工具。它架起了简单、易懂的统计模型与复杂、黑盒深度学习模型之间的桥梁。它采用了一种灵活的、类似拼图的架构，可以自动发现数据中的复杂关系，而无需人类手动编程。论文证明，这种方法在数学上是合理的（无论数据复杂度如何，它都能快速学习），并且在实践中是有效的（在真实医学数据上的表现与当前最先进的方法相当或更优）。

技术摘要：KAPLAN-HR

问题陈述

生存分析旨在建模右删失下的事件发生时间分布，其中确切的事件时间仅被部分观测。虽然 Cox 比例风险（PH）模型是标准方法，但它需要手动指定特征交互作用，并假设协变量效应不随时间变化，这对于丰富的临床数据集而言日益不切实际。现有的灵活替代方案，如广义加性模型（GAMs）和 HARE，在结构上存在局限：GAMs 需要手动指定交互项，而 HARE 无法表示高阶交互作用。相反，深度学习方法虽然放宽了结构限制，但往往牺牲了经典模型的 interpretable（可解释性）和加性结构。此外，尽管 Kolmogorov-Arnold 网络（KANs）在生存分析中的近期应用显示出前景，但它们缺乏关于收敛速率和统计性质的正式理论分析。

方法论：KAPLAN-HR

作者提出了KAPLAN-HR（用于生存分析的 Kolmogorov-Arnold 预后可学习激活网络），这是一种 B 样条 KAN，旨在将条件风险函数建模为协变量（ $x$ ）和时间（ $t$ ）的联合函数。

架构

该模型使用 KAN 对对数风险函数 $g(x, t)$ 进行参数化，其中边承载可学习的单变量函数，节点对输入求和。

边参数化： 每条边是 B 样条与残差 SiLU（Sigmoid 线性单元）项的加权和。
深度与结构：
- 单层（ $D=1$ ）： 在比例风险限制下恢复加性 B 样条 GAM，其中 $\log \lambda(t|x) = \sum \phi_i(x^{(i)}) + \phi_t(t)$ 。
- 深层架构（ $D \ge 2$ ）： 通过组合，更深的层捕获协变量交互作用和时间变化效应，从而消除加性和比例风险限制。
训练： 模型最小化观测数据的负对数似然（NLL）。由于 KAN 建模的风险函数的累积风险 $\Lambda(t|x) = \int_0^t \lambda(s|x) ds$ 没有闭式解，作者使用离散时间网格上的数值积分（右端点矩形法则）对其进行近似。

理论分析

本文利用筛法（method of sieves）为 KAPLAN-HR 估计量建立了收敛速率。

假设： 假设真实对数风险 $g^*$ 位于可表示为平滑单变量函数分层组合的函数类（ $FKAN_r$ ）中。假设删失在给定协变量的条件下与事件时间独立。
收敛速率： 作者证明，估计的对数风险与真实对数风险之间的 Hellinger 距离以 $O_P(n^{-r/(2r+1)}\sqrt{\log n})$ 的速率收敛，其中 $r$ 是平滑指数。
速率的意义： 关键在于，该速率仅取决于表示的平滑度和样本量，而不取决于协变量维度（对数因子除外）。这表明 KAPLAN-HR 缓解了 KAN 可表示目标的维度灾难。

主要贡献

模型提出： KAPLAN-HR 作为加性样条风险模型与深度生存模型之间的桥梁，其中网络深度控制结构放松的程度（从加性到交互性）。
理论保证： 本文提供了首个 KAN 基生存模型的正式收敛速率，证明了 KAN 可表示目标的维度独立性。
实证验证： 在六个临床基准数据集和模拟研究中进行了广泛评估。

实验结果

模拟

作者测试了四个具有不同平滑度和交互结构的数据生成过程（DGPs）：

收敛性： KAPLAN-HR 在所有 DGP 中均跟踪了预测的收敛速率（ $n^{-r/(2r+1)}$ ）。
交互作用： 虽然 GAMs 在加性 DGP（DGP-1, DGP-2）上收敛，但在交互作用密集的 DGP（DGP-3, DGP-4）上趋于停滞。KAPLAN-HR 继续改进，展示了其捕获加性模型无法捕捉的交互作用的能力。

临床基准

KAPLAN-HR 在六个标准数据集（METABRIC, MIMIC-III, RotGBSG, FLCHAIN, NWTCO, SUPPORT）上进行了评估，与九个基线模型（CoxPH, GAM, HARE, DeepSurv, DeepHit, DSM, CoxKAN 等）进行了比较，评估指标包括区分度（C-TD）、生存准确性（IBS）和校准度（ICI, D-CAL）。

性能： KAPLAN-HR 在 6 个数据集中的 4 个上取得了最佳 C-TD，在 6 个中的 3 个上取得了最佳 IBS，在 6 个中的 2 个上取得了最佳 ICI。
显著性： 在经 Holm-Bonferroni 校正的 Wilcoxon 符号秩检验中，与最佳基线（DeepSurv）相比，KAPLAN-HR 在 FLCHAIN 数据集上的区分度显示出统计学显著的提升。未在任何指标中观察到显著的性能下降。
排名： 平均而言，KAPLAN-HR 排名具有竞争力，经常匹配或超越既定的统计和深度学习方法。

意义与主张

本文主张 KAPLAN-HR 提供了一种平衡灵活性与可解释性的生存分析原则性方法。

理论新颖性： 主要贡献是为 KAN 基风险估计量建立了维度无关的收敛速率，填补了此前 KAN 生存文献中未解决的理论空白。
实用价值： 该方法成功捕获了复杂的交互作用和时间变化效应，无需手动指定，在真实世界临床数据上优于或匹配最先进模型。
局限性： 作者指出，收敛结果依赖于真实对数风险是 KAN 可表示的结构性假设，这可能不适用于所有现实场景。此外，理论保证描述的是渐近行为而非有限样本性能。本文还承认标准生存分析基准测试实践中已知的不足之处。

总之，KAPLAN-HR 证明了 KAN 非常适合生存分析，提供了一种理论基础扎实、维度鲁棒且实证具有竞争力的模型。