使用 PyTorch 进行事件发生时间预测

开始使用 • 方法 • 评估标准 • 数据集 • 安装 • 参考文献

pycox 是一个用于生存分析和事件发生时间预测的 Python 包，基于 PyTorch 构建，并依托于 torchtuples 包来训练 PyTorch 模型。该包的 R 版本可在 survivalmodels 中找到。

此包包含多种 生存模型 的实现、一些有用的 评估指标，以及一系列 事件时间数据集。此外，pycox.preprocessing 模块中还提供了一些实用的预处理工具。

开始使用

要开始使用，您首先需要安装 PyTorch。 然后可以通过 pip 安装 pycox：

pip install pycox

或者通过 conda 安装：

conda install -c conda-forge pycox

我们建议从 01_introduction.ipynb 开始，该笔记本以预处理、神经网络构建、模型训练和评估流程为例，详细介绍了包的基本用法。 虽然该笔记本以 LogisticHazard 方法为例进行说明，但其中的大部分原则同样适用于其他方法。

此外，examples 文件夹 中也列有许多示例，或者您可以按照基于 LogisticHazard 的教程进行学习：

• 01_introduction.ipynb：以预处理、神经网络构建、模型训练和评估流程为例，介绍包的一般用法。

• 02_introduction.ipynb：基于分位数的离散化方案、使用 tt.tuplefy 的嵌套元组、分类变量的实体嵌入，以及循环学习率的应用。

• 03_network_architectures.ipynb： 展示如何通过自定义网络和自定义损失函数扩展框架。该示例将自动编码器与生存网络相结合，并考虑一种同时包含自动编码器损失和 LogisticHazard 损失的综合损失函数。

• 04_mnist_dataloaders_cnn.ipynb： 使用数据加载器和卷积神经网络处理 MNIST 数据集。我们复现了 [8] 中的 模拟实验，其中每个数字定义了一个指数分布的比例参数。

方法

以下方法可在 pycox.methods 模块中找到。

连续时间模型：

方法	描述	示例
CoxTime	Cox-Time 是一种相对风险模型，它将 Cox 回归扩展到了比例风险假设之外 [1]。	笔记本
CoxCC	Cox-CC 是 Cox-Time 模型的比例版本 [1]。	笔记本
CoxPH (DeepSurv)	CoxPH 是一种 Cox 比例风险模型，也被称为 DeepSurv [2]。	笔记本
PCHazard	分段常数风险（PC-Hazard）模型 [12] 假设连续时间的风险函数在预定义的区间内保持不变。 它类似于分段指数模型 [11] 和 PEANN [14], 不过使用的是 softplus 激活函数而非指数函数。	笔记本

离散时间模型：

方法	描述	示例
LogisticHazard (Nnet-survival)	Logistic-Hazard 方法对离散风险进行参数化，并优化生存似然函数 [12] [7]。 它也被称为部分逻辑回归 [13] 和 Nnet-survival [8]。	notebook
PMF	PMF 方法对概率质量函数 (PMF) 进行参数化，并优化生存似然函数 [12]。它是 DeepHit 和 MTLR 等方法的基础。	notebook
DeepHit、DeepHitSingle	DeepHit 是一种基于 PMF 的方法，采用改进排序的损失函数，能够处理竞争风险 [3]。	single competing
MTLR (N-MTLR)	（神经）多任务逻辑回归是一种由 [9] 和 [10] 提出的 PMF 方法。	notebook
BCESurv	该方法由一组二分类器组成，在个体被删失时将其移除 [15]。损失函数是在一组离散时间点上生存估计的二元交叉熵，其目标是每个时间点是否存活的指示变量。	bs_example

评估指标

以下评估指标可通过 pycox.evaluation.EvalSurv 获得。

指标	描述
concordance_td	在事件发生时间点上评估的时变一致性指数 [4]。
brier_score	IPCW 布里尔评分（删失概率逆加权布里尔评分） [5][6][15]。 详情请参阅 [15] 第 3.1.2 节。
nbll	IPCW（负）二项式对数似然 [5][1]。即这是二项式对数似然的负值，不应与负二项式分布混淆。 权重计算方式同 [15] 第 3.1.2 节所述。
integrated_brier_score	整合后的 IPCW 布里尔评分。对 `brier_score` 进行数值积分 [5][6]。
integrated_nbll	整合后的 IPCW（负）二项式对数似然。对 `nbll` 进行数值积分 [5][1]。
brier_score_admin integrated_brier_score_admin	行政性布里尔评分 [15]。适用于存在行政删失的数据，即所有删失时间均可观测。 请参阅此 示例 notebook。
nbll_admin integrated_nbll_admin	行政性（负）二项式对数似然 [15]。同样适用于存在行政删失的数据，即所有删失时间均可观测。 请参阅此 示例 notebook。

数据集

通过 pycox.datasets 模块可以获取一系列数据集。 例如，以下代码将下载 metabric 数据集并以 pandas 数据框的形式加载：

from pycox import datasets
df = datasets.metabric.read_df()

默认情况下，datasets 模块会将数据集存储在安装目录下。您可以通过设置环境变量 PYCOX_DATA_DIR 来指定其他目录。

真实数据集：

数据集	规模	数据集	数据来源
flchain	6,524	血清游离轻链（FLCHAIN）数据集。预处理方法见 [1]。	来源
gbsg	2,232	鹿特丹和德国乳腺癌研究小组的数据。 详情请参阅 [2]。	来源
kkbox	2,814,735	基于WSDM - KKBox 2017年客户流失预测挑战赛构建的生存数据集，包含行政删失信息。 详情请参阅 [1] 和 [15]。 与kkbox_v1相比，该数据集具有更多的协变量和删失时间。 注意：访问该数据集需要 Kaggle账号凭据。	来源
kkbox_v1	2,646,746	基于WSDM - KKBox 2017年客户流失预测挑战赛构建的生存数据集。 详情请参阅 [1]。 这不是该数据集的首选版本，请使用kkbox。 注意：访问该数据集需要 Kaggle账号凭据。	来源
metabric	1,904	国际乳腺癌分子分类联盟（METABRIC）的数据。 详情请参阅 [2]。	来源
nwtco	4,028	来自全国威尔姆斯肿瘤研究组（NWTCO）的数据。	来源
support	8,873	“理解治疗预后、偏好、结果及风险”研究（SUPPORT）。 详情请参阅 [2]。	来源

模拟数据集：

数据集	规模	数据集	数据来源
rr_nl_nph	25,000	来自 [1] 中模拟研究的数据集。 这是一项连续时间模拟研究，事件时间基于相对风险非线性非比例风险模型（RRNLNPH）生成。	SimStudyNonLinearNonPH
sac3	100,000	来自 [12] 中模拟研究的数据集。 这是一个离散时间数据集，有1000种可能的事件时间。	SimStudySACCensorConst
sac_admin5	50,000	来自 [15] 中模拟研究的数据集。 这也是一个离散时间数据集，有1000种可能的事件时间。 与`sac3`非常相似，但生存协变量较少，并且行政删失由5个协变量决定。	SimStudySACAdmin

安装

注意： 本包目前仍处于开发初期，如果您遇到任何问题，请随时报告。

该包仅支持Python 3.6及以上版本。

在安装pycox之前，请先安装PyTorch（版本≥1.1）。 随后可以通过以下命令安装该包：

pip install pycox

若需使用最新版本，可直接从GitHub安装（建议添加--force-reinstall参数）：

pip install git+git://github.com/havakv/pycox.git

从源码安装

从源码安装依赖于PyTorch，因此请确保已安装PyTorch。 接下来，克隆并安装：

git clone https://github.com/havakv/pycox.git
cd pycox
pip install .

参考文献

[1] Håvard Kvamme、Ørnulf Borgan 和 Ida Scheel。基于神经网络和Cox回归的时间至事件预测。《机器学习研究期刊》，20(129):1–30，2019年。[论文](http://jmlr.org/papers/v20/18-424.html)\]

[2] Jared L. Katzman、Uri Shaham、Alexander Cloninger、Jonathan Bates、Tingting Jiang 和 Yuval Kluger。Deepsurv：使用Cox比例风险深度神经网络的个性化治疗推荐系统。《BMC医学研究方法学》，18(1)，2018年。[论文](https://doi.org/10.1186/s12874-018-0482-1)\]

[3] Changhee Lee、William R Zame、Jinsung Yoon 和 Mihaela van der Schaar。Deephit：一种用于竞争风险生存分析的深度学习方法。《第三十二届人工智能协会会议论文集》，2018年。[论文](http://medianetlab.ee.ucla.edu/papers/AAAI_2018_DeepHit)\]

[4] Laura Antolini、Patrizia Boracchi 和 Elia Biganzoli。生存数据的时间依赖性判别指数。《统计在医学中》，24(24):3927–3944，2005年。[论文](https://doi.org/10.1002/sim.2427)\]

[5] Erika Graf、Claudia Schmoor、Willi Sauerbrei 和 Martin Schumacher。生存数据预后分类方案的评估与比较。《统计在医学中》，18(17-18):2529–2545，1999年。[论文](https://onlinelibrary.wiley.com/doi/abs/10.1002/%28SICI%291097-0258%2819990915/30%2918%3A17/18%3C2529%3A%3AAID-SIM274%3E3.0.CO%3B2-5)\]

[6] Thomas A. Gerds 和 Martin Schumacher。右删失事件时间下一般生存模型中期望Brier分数的一致估计。《生物计量学杂志》，48(6):1029–1040，2006年。[论文](https://onlinelibrary.wiley.com/doi/abs/10.1002/bimj.200610301?sid=nlm%3Apubmed)\]

[7] Charles C. Brown。关于在反应时间模型中使用指示变量研究参数时间依赖性的探讨。《生物计量学》，31(4):863–872，1975年。 [论文](https://www.jstor.org/stable/2529811?seq=1#metadata_info_tab_contents)\]

[8] Michael F. Gensheimer 和 Balasubramanian Narasimhan。一种适用于神经网络的可扩展离散时间生存模型。《PeerJ》，7:e6257，2019年。 [论文](https://peerj.com/articles/6257/)\]

[9] Chun-Nam Yu、Russell Greiner、Hsiu-Chin Lin 和 Vickie Baracos。将患者特异性癌症生存分布学习为一系列相关回归器。《神经信息处理系统进展24》，第1845–1853页。Curran Associates, Inc.，2011年。 [论文](https://papers.nips.cc/paper/4210-learning-patient-specific-cancer-survival-distributions-as-a-sequence-of-dependent-regressors)\]

[10] Stephane Fotso。基于多任务框架的生存分析深度神经网络。《arXiv预印本 arXiv:1801.05512》，2018年。 [论文](https://arxiv.org/pdf/1801.05512.pdf)\]

[11] Michael Friedman。带有协变量的生存数据分段指数模型。《统计年鉴》，10(1):101–113，1982年。 [论文](https://projecteuclid.org/euclid.aos/1176345693)\]

[12] Håvard Kvamme 和 Ørnulf Borgan。基于神经网络的连续与离散时间生存预测。《arXiv预印本 arXiv:1910.06724》，2019年。 [论文](https://arxiv.org/pdf/1910.06724.pdf)\]

[13] Elia Biganzoli、Patrizia Boracchi、Luigi Mariani 和 Ettore Marubini。用于删失生存数据分析的前馈神经网络：一种部分逻辑回归方法。《统计在医学中》，17(10):1169–1186，1998年。 [论文](https://onlinelibrary.wiley.com/doi/abs/10.1002/(SICI)1097-0258(19980530)17:10%3C1169::AID-SIM796%3E3.0.CO;2-D)\]

[14] Marco Fornili、Federico Ambrogi、Patrizia Boracchi 和 Elia Biganzoli。用于建模右删失数据危险函数的分段指数人工神经网络（PEANN）。《生物信息学与生物统计学的计算智能方法》，第125–136页，2014年。 [论文](https://link.springer.com/chapter/10.1007%2F978-3-319-09042-9_9)\]

[15] Håvard Kvamme 和 Ørnulf Borgan。行政删失下的Brier分数：问题与解决方案。《arXiv预印本 arXiv:1912.08581》，2019年。 [论文](https://arxiv.org/pdf/1912.08581.pdf)\]

PyCox 快速上手指南

PyCox 是一个基于 PyTorch 的 Python 包，专用于生存分析（Survival Analysis）和时间至事件预测（Time-to-event prediction）。它提供了多种深度学习生存模型、评估指标以及预处理工具。

环境准备

在开始之前，请确保您的开发环境满足以下要求：

• 操作系统: Linux, macOS 或 Windows
• Python 版本: 3.6 及以上
• 核心依赖:
  • PyTorch (必须先安装)
  • torchtuples (安装 pycox 时会自动处理)
  • pandas, numpy, scikit-learn 等科学计算库

注意：建议先根据官方文档安装适合您 CUDA 版本的 PyTorch。

安装步骤

您可以选择使用 pip 或 conda 进行安装。国内用户推荐使用清华源或阿里源以加速下载。

方式一：使用 pip 安装

# 使用默认源
pip install pycox

# 【推荐】国内用户使用清华源加速
pip install pycox -i https://pypi.tuna.tsinghua.edu.cn/simple

方式二：使用 conda 安装

conda install -c conda-forge pycox

基本使用

PyCox 的工作流通常包含四个步骤：数据预处理 -> 构建神经网络 -> 定义模型与训练 -> 评估。

以下是一个基于 LogisticHazard（离散时间模型）的最小化示例：

1. 导入依赖与准备数据

import torch
import torch.nn as nn
from pycox import datasets
from pycox.models import LogisticHazard
from pycox.evaluation import EvalSurv
from torchtuples import prutils

# 加载示例数据集 (metabric)
df = datasets.metabric.read_df()

# 拆分特征 (x) 和 标签 (duration, event)
cols_standardize = ['x0', 'x1', 'x2', 'x3', 'x4', 'x5', 'x6', 'x7', 'x8', 'x9']
cols_categorize = ['x10', 'x11', 'x12', 'x13', 'x14', 'x15', 'x16', 'x17', 'x18', 'x19']

# 简单的预处理：标准化数值列，分类列转为整数索引
# 实际项目中建议使用 pycox.preprocessing 模块进行更严谨的处理
from sklearn.preprocessing import StandardLabelEncoder
standardize = lambda x: (x - x.mean()) / x.std()
df[cols_standardize] = df[cols_standardize].apply(standardize)
df[cols_categorize] = df[cols_categorize].apply(StandardLabelEncoder().fit_transform)

x = df[cols_standardize + cols_categorize].values
y_duration = df['dur'].values
y_event = df['event'].values

# 划分训练集和测试集
train_idx = df.index[:int(len(df)*0.7)]
test_idx = df.index[int(len(df)*0.7):]

x_train, y_dur_train, y_event_train = x[train_idx], y_duration[train_idx], y_event[train_idx]
x_test, y_dur_test, y_event_test = x[test_idx], y_duration[test_idx], y_event[test_idx]

2. 构建神经网络

定义一个简单的全连接网络（MLP）：

in_features = x_train.shape[1]
num_nodes = [32, 32]
out_features = 1 # 对于 LogisticHazard，输出节点数通常由离散化的时间区间数决定，这里简化示意

net = nn.Sequential(
    nn.Linear(in_features, num_nodes[0]),
    nn.ReLU(),
    nn.Dropout(0.1),
    nn.Linear(num_nodes[0], num_nodes[1]),
    nn.ReLU(),
    nn.Dropout(0.1),
    nn.Linear(num_nodes[1], out_features) # 实际使用时需根据 discretization 方案调整输出维度
)

3. 定义模型并训练

# 定义离散化方案 (将连续时间划分为区间)
# 这里使用简单的分位数划分，实际请参考官方 notebook 中的详细设置
breaks = prutils.quantile_discretizer(y_dur_train, quantiles=[0.25, 0.5, 0.75])

# 初始化模型
model = LogisticHazard(net, breaks=breaks)

# 配置优化器
optimizer = model.optimizer(lr=0.01)

# 开始训练
# batch_size, epochs, verbose 等参数可根据需要调整
model.fit(x_train, (y_dur_train, y_event_train), batch_size=256, epochs=50, verbose=True)

4. 模型评估

使用测试集进行预测并计算一致性指数（Concordance Index）：

# 获取预测结果
surv = model.predict_surv_df(x_test)

# 初始化评估对象
ev = EvalSurv(surv, y_dur_test, y_event_test, censor_surv='km')

# 计算时间依赖性一致性指数 (Time-dependent Concordance Index)
c_index = ev.concordance_td('antolini')
print(f"Concordance Index: {c_index}")

# 绘制生存曲线示例 (前 5 个样本)
# surv.iloc[:, :5].plot(drawstyle='steps-post')

提示：以上代码为逻辑演示。完整的预处理流程（如实体嵌入、复杂的离散化方案）和更多模型（如 CoxPH, DeepHit 等）的详细用法，强烈建议参考项目官方提供的 Jupyter Notebook 教程，特别是 01_introduction.ipynb。