scikit-survival

scikit-survival：Python 生存分析

概述

scikit-survival 是一个基于 scikit-learn 构建的 Python 生存分析库。它提供专用工具，用于事件发生时间分析，并处理删失数据这一独特难题：某些观测结果仅部分已知。

生存分析旨在建立协变量与事件发生时间之间的关联，同时考虑删失记录（尤其是研究参与者在观察期内未发生事件时产生的右删失数据）。

何时使用此技能

在以下情况下使用此技能：

• 执行生存分析或事件发生时间建模
• 处理删失数据（右删失、左删失或区间删失）
• 拟合 Cox 比例风险模型（标准模型或惩罚模型）
• 构建集成生存模型（随机生存森林、梯度提升）
• 训练生存支持向量机
• 评估生存模型性能（一致性指数、Brier 分数、时变 AUC）
• 估计 Kaplan-Meier 或 Nelson-Aalen 曲线
• 分析竞争风险
• 预处理生存数据或处理生存数据集中的缺失值
• 使用 scikit-survival 库进行任何分析

核心能力

1. 模型类型与选择

scikit-survival 提供多个模型系列，各自适用于不同场景：

Cox 比例风险模型

适用于：系数易于解释的标准生存分析

• CoxPHSurvivalAnalysis：基础 Cox 模型
• CoxnetSurvivalAnalysis：用于高维数据的弹性网络惩罚 Cox 模型
• IPCRidge：用于加速失效时间模型的岭回归

参见：references/cox-models.md，了解 Cox 模型、正则化和解释的详细指南

集成方法

适用于：具有复杂非线性关系的高预测性能场景

• RandomSurvivalForest：稳健的非参数集成方法
• GradientBoostingSurvivalAnalysis：以树为基础的提升方法，可获得最高性能
• ComponentwiseGradientBoostingSurvivalAnalysis：结合特征选择的线性提升方法
• ExtraSurvivalTrees：极端随机树，可提供额外正则化

参见：references/ensemble-models.md，了解集成方法、超参数调优以及各模型适用场景的全面指南

生存支持向量机

适用于：采用基于间隔的学习方法的中等规模数据集

• FastSurvivalSVM：针对速度优化的线性 SVM
• FastKernelSurvivalSVM：用于非线性关系的核 SVM
• HingeLossSurvivalSVM：采用合页损失的 SVM
• ClinicalKernelTransform：适用于临床和分子数据的专用核函数

参见：references/svm-models.md，了解 SVM 的详细指南、核函数选择和超参数调优

模型选择决策树

Start
├─ High-dimensional data (p > n)?
│  ├─ Yes → CoxnetSurvivalAnalysis (elastic net)
│  └─ No → Continue
│
├─ Need interpretable coefficients?
│  ├─ Yes → CoxPHSurvivalAnalysis or ComponentwiseGradientBoostingSurvivalAnalysis
│  └─ No → Continue
│
├─ Complex non-linear relationships expected?
│  ├─ Yes
│  │  ├─ Large dataset (n > 1000) → GradientBoostingSurvivalAnalysis
│  │  ├─ Medium dataset → RandomSurvivalForest or FastKernelSurvivalSVM
│  │  └─ Small dataset → RandomSurvivalForest
│  └─ No → CoxPHSurvivalAnalysis or FastSurvivalSVM
│
└─ For maximum performance → Try multiple models and compare

2. 数据准备与预处理

建模之前，应妥善准备生存数据：

创建生存结局

from sksurv.util import Surv

# From separate arrays
y = Surv.from_arrays(event=event_array, time=time_array)

# From DataFrame
y = Surv.from_dataframe('event', 'time', df)

必要的预处理步骤

1. 处理缺失值：对特征采用插补策略
2. 编码分类变量：采用独热编码或标签编码
3. 标准化特征：对 SVM 和正则化 Cox 模型至关重要
4. 验证数据质量：检查是否存在负时间，以及每个特征对应的事件数是否充足
5. 划分训练集与测试集：确保各划分中的删失率相近

参见：references/data-handling.md，了解完整的预处理工作流、数据验证和最佳实践

3. 模型评估

恰当的评估对生存模型至关重要。应使用能考虑删失情况的合适指标：

一致性指数（C-index）

用于排序和区分能力的主要指标：

• Harrell 的 C-index：适用于删失率较低（<40%）的情况
• Uno 的 C-index：适用于删失率中等到较高（>40%）的情况，稳健性更好

from sksurv.metrics import concordance_index_censored, concordance_index_ipcw

# Harrell's C-index
c_harrell = concordance_index_censored(y_test['event'], y_test['time'], risk_scores)[0]

# Uno's C-index (recommended)
c_uno = concordance_index_ipcw(y_train, y_test, risk_scores)[0]

时变 AUC

评估模型在特定时间点的区分能力：

from sksurv.metrics import cumulative_dynamic_auc

times = [365, 730, 1095]  # 1, 2, 3 years
auc, mean_auc = cumulative_dynamic_auc(y_train, y_test, risk_scores, times)

Brier 分数

同时评估区分度和校准度：

from sksurv.metrics import integrated_brier_score

ibs = integrated_brier_score(y_train, y_test, survival_functions, times)

参见：references/evaluation-metrics.md，了解全面的评估指南、指标选择，以及如何将评分器与交叉验证结合使用

4. 竞争风险分析

处理存在多种互斥事件类型的情况：

from sksurv.nonparametric import cumulative_incidence_competing_risks

# Estimate cumulative incidence for each event type
time_points, cif_event1, cif_event2 = cumulative_incidence_competing_risks(y)

适用于竞争风险的情况：

• 存在多种互斥事件类型（例如，死于不同原因）
• 一种事件的发生会阻止其他事件发生
• 需要估计特定事件类型的概率

参见：references/competing-risks.md，了解详细的竞争风险方法、原因特异性风险模型及结果解读

5. 非参数估计

在不作参数假设的情况下估计生存函数：

Kaplan-Meier 估计量

from sksurv.nonparametric import kaplan_meier_estimator

time, survival_prob = kaplan_meier_estimator(y['event'], y['time'])

Nelson-Aalen 估计量

from sksurv.nonparametric import nelson_aalen_estimator

time, cumulative_hazard = nelson_aalen_estimator(y['event'], y['time'])

典型工作流

工作流 1：标准生存分析

from sksurv.datasets import load_breast_cancer
from sksurv.linear_model import CoxPHSurvivalAnalysis
from sksurv.metrics import concordance_index_ipcw
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler

# 1. Load and prepare data
X, y = load_breast_cancer()
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 2. Preprocess
scaler = StandardScaler()
X_train_scaled = scaler.fit_transform(X_train)
X_test_scaled = scaler.transform(X_test)

# 3. Fit model
estimator = CoxPHSurvivalAnalysis()
estimator.fit(X_train_scaled, y_train)

# 4. Predict
risk_scores = estimator.predict(X_test_scaled)

# 5. Evaluate
c_index = concordance_index_ipcw(y_train, y_test, risk_scores)[0]
print(f"C-index: {c_index:.3f}")

工作流 2：使用特征选择处理高维数据

from sksurv.linear_model import CoxnetSurvivalAnalysis
from sklearn.model_selection import GridSearchCV
from sksurv.metrics import as_concordance_index_ipcw_scorer

# 1. Use penalized Cox for feature selection
estimator = CoxnetSurvivalAnalysis(l1_ratio=0.9)  # Lasso-like

# 2. Tune regularization with cross-validation
param_grid = {'alpha_min_ratio': [0.01, 0.001]}
cv = GridSearchCV(estimator, param_grid,
                  scoring=as_concordance_index_ipcw_scorer(), cv=5)
cv.fit(X, y)

# 3. Identify selected features
best_model = cv.best_estimator_
selected_features = np.where(best_model.coef_ != 0)[0]

工作流 3：用于实现最高性能的集成方法

from sksurv.ensemble import GradientBoostingSurvivalAnalysis
from sklearn.model_selection import GridSearchCV

# 1. Define parameter grid
param_grid = {
    'learning_rate': [0.01, 0.05, 0.1],
    'n_estimators': [100, 200, 300],
    'max_depth': [3, 5, 7]
}

# 2. Grid search
gbs = GradientBoostingSurvivalAnalysis()
cv = GridSearchCV(gbs, param_grid, cv=5,
                  scoring=as_concordance_index_ipcw_scorer(), n_jobs=-1)
cv.fit(X_train, y_train)

# 3. Evaluate best model
best_model = cv.best_estimator_
risk_scores = best_model.predict(X_test)
c_index = concordance_index_ipcw(y_train, y_test, risk_scores)[0]

工作流 4：全面的模型比较

from sksurv.linear_model import CoxPHSurvivalAnalysis
from sksurv.ensemble import RandomSurvivalForest, GradientBoostingSurvivalAnalysis
from sksurv.svm import FastSurvivalSVM
from sksurv.metrics import concordance_index_ipcw, integrated_brier_score

# Define models
models = {
    'Cox': CoxPHSurvivalAnalysis(),
    'RSF': RandomSurvivalForest(n_estimators=100, random_state=42),
    'GBS': GradientBoostingSurvivalAnalysis(random_state=42),
    'SVM': FastSurvivalSVM(random_state=42)
}

# Evaluate each model
results = {}
for name, model in models.items():
    model.fit(X_train_scaled, y_train)
    risk_scores = model.predict(X_test_scaled)
    c_index = concordance_index_ipcw(y_train, y_test, risk_scores)[0]
    results[name] = c_index
    print(f"{name}: C-index = {c_index:.3f}")

# Select best model
best_model_name = max(results, key=results.get)
print(f"\nBest model: {best_model_name}")

与 scikit-learn 集成

scikit-survival 与 scikit-learn 生态系统全面集成：

from sklearn.pipeline import Pipeline
from sklearn.preprocessing import StandardScaler
from sklearn.model_selection import cross_val_score, GridSearchCV

# Use pipelines
pipeline = Pipeline([
    ('scaler', StandardScaler()),
    ('model', CoxPHSurvivalAnalysis())
])

# Use cross-validation
scores = cross_val_score(pipeline, X, y, cv=5,
                         scoring=as_concordance_index_ipcw_scorer())

# Use grid search
param_grid = {'model__alpha': [0.1, 1.0, 10.0]}
cv = GridSearchCV(pipeline, param_grid, cv=5)
cv.fit(X, y)

最佳实践

1. 始终对特征进行标准化，用于 SVM 和正则化 Cox 模型
2. 当删失比例 > 40% 时，使用 Uno's C-index，而不是 Harrell's C-index
3. 报告多种评估指标（C-index、积分 Brier 分数、时间依赖 AUC）
4. 检查 Cox 模型的比例风险假设
5. 使用交叉验证进行超参数调优，并选择合适的评分器
6. 建模前验证数据质量（检查是否存在负时间，以及每个特征是否有足够的事件数）
7. 比较多种模型类型，以找到性能最佳的模型
8. 对 Random Survival Forests 使用置换重要性（而非内置的重要性）
9. 存在多种事件类型时考虑竞争风险
10. 在分析中记录删失机制和删失率

应避免的常见陷阱

1. 删失比例较高时使用 Harrell's C-index → 改用 Uno's C-index
2. 未对 SVM 的特征进行标准化 → 始终进行标准化
3. 忘记向 concordance_index_ipcw 传入 y_train → 计算 IPCW 时必须传入
4. 将竞争事件视为删失事件 → 使用竞争风险方法
5. 未检查每个特征是否有足够的事件数 → 经验法则：每个特征至少有 10 个事件
6. 使用 RSF 的内置特征重要性 → 改用置换重要性
7. 忽略比例风险假设 → 验证该假设，或使用其他模型
8. 交叉验证时未使用合适的评分器 → 使用 as_concordance_index_ipcw_scorer()

参考文件

此技能包含针对特定主题的详细参考文件：

• references/cox-models.md：Cox 比例风险模型、惩罚 Cox（CoxNet）、IPCRidge、正则化策略及结果解读的完整指南
• references/ensemble-models.md：Random Survival Forests、Gradient Boosting、超参数调优、特征重要性及模型选择
• references/evaluation-metrics.md：一致性指数（Harrell's 与 Uno's）、时间依赖 AUC、Brier 分数及全面的评估流程
• references/data-handling.md：数据加载、预处理工作流、缺失数据处理、特征编码及验证检查
• references/svm-models.md：生存支持向量机、核函数选择、临床核变换及超参数调优
• references/competing-risks.md：竞争风险分析、累积发生函数、原因特异性风险模型

需要了解特定任务的详细信息时，请加载这些参考文件。

其他资源

• 官方文档：https://scikit-survival.readthedocs.io/
• GitHub 仓库：https://github.com/sebp/scikit-survival
• 内置数据集：使用 sksurv.datasets 获取练习数据集（GBSG2、WHAS500、退伍军人肺癌等）
• API 参考：类和函数的完整列表，请参阅 https://scikit-survival.readthedocs.io/en/stable/api/index.html

快速参考：关键导入

# Models
from sksurv.linear_model import CoxPHSurvivalAnalysis, CoxnetSurvivalAnalysis, IPCRidge
from sksurv.ensemble import RandomSurvivalForest, GradientBoostingSurvivalAnalysis
from sksurv.svm import FastSurvivalSVM, FastKernelSurvivalSVM
from sksurv.tree import SurvivalTree

# Evaluation metrics
from sksurv.metrics import (
    concordance_index_censored,
    concordance_index_ipcw,
    cumulative_dynamic_auc,
    brier_score,
    integrated_brier_score,
    as_concordance_index_ipcw_scorer,
    as_integrated_brier_score_scorer
)

# Non-parametric estimation
from sksurv.nonparametric import (
    kaplan_meier_estimator,
    nelson_aalen_estimator,
    cumulative_incidence_competing_risks
)

# Data handling
from sksurv.util import Surv
from sksurv.preprocessing import OneHotEncoder, encode_categorical
from sksurv.datasets import load_gbsg2, load_breast_cancer, load_veterans_lung_cancer

# Kernels
from sksurv.kernels import ClinicalKernelTransform