CoxKAN: Kolmogorov-Arnold Networks for Interpretable, High-Performance Survival Analysis

要約

生存分析は、特定のイベントが発生するまでの時間をモデル化するために使用される統計学の分野であり、医学、工学、金融、およびその他の多くの分野で広く使用されています。
生存モデルを選択する場合、通常、パフォーマンスと解釈可能性の間にはトレードオフがあり、最高のパフォーマンスは深層学習に基づくブラックボックス モデルによって達成されます。
これは、医師が患者の重要な決定を下すためにブラックボックスモデルを盲目的に信頼することに消極的な医療などの分野では大きな問題です。
コルモゴロフ-アーノルド ネットワーク (KAN) は、多層パーセプトロン (MLP) の解釈可能で正確な代替手段として最近提案されました。
解釈可能な高性能生存分析のためのコックス比例ハザード コルモゴロフ-アーノルド ネットワークである CoxKAN を紹介します。
提案された CoxKAN を 4 つの合成データセットと 9 つの実際の医療データセットで評価します。
合成実験は、CoxKAN がハザード関数の解釈可能な記号式を正確に復元し、自動特徴選択を効果的に実行することを示しています。
9 つの実際のデータセットの評価では、CoxKAN が一貫して Cox 比例ハザード モデルを上回り、調整された MLP よりも優れた、または同等のパフォーマンスを達成していることが示されています。
さらに、CoxKAN は、既存の生存法を使用して認識するのが非常に困難な予測変数間の複雑な相互作用を特定し、患者のリスクに対する重要なバイオマーカーの正確な影響を明らかにする記号式を自動的に見つけることがわかりました。

要約(オリジナル)

Survival analysis is a branch of statistics used for modeling the time until a specific event occurs and is widely used in medicine, engineering, finance, and many other fields. When choosing survival models, there is typically a trade-off between performance and interpretability, where the highest performance is achieved by black-box models based on deep learning. This is a major problem in fields such as medicine where practitioners are reluctant to blindly trust black-box models to make important patient decisions. Kolmogorov-Arnold Networks (KANs) were recently proposed as an interpretable and accurate alternative to multi-layer perceptrons (MLPs). We introduce CoxKAN, a Cox proportional hazards Kolmogorov-Arnold Network for interpretable, high-performance survival analysis. We evaluate the proposed CoxKAN on 4 synthetic datasets and 9 real medical datasets. The synthetic experiments demonstrate that CoxKAN accurately recovers interpretable symbolic formulae for the hazard function, and effectively performs automatic feature selection. Evaluation on the 9 real datasets show that CoxKAN consistently outperforms the Cox proportional hazards model and achieves performance that is superior or comparable to that of tuned MLPs. Furthermore, we find that CoxKAN identifies complex interactions between predictor variables that would be extremely difficult to recognise using existing survival methods, and automatically finds symbolic formulae which uncover the precise effect of important biomarkers on patient risk.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google