Deep-Kernel-Aalen-Johansen: Interpretierbares Modell für konkurrierende Risiken

Eine neue Veröffentlichung auf arXiv präsentiert den Deep Kernel Aalen‑Johansen (DKAJ) Estimator, ein tiefes Lernmodell, das die klassische Aalen‑Johansen‑Methode zur Schätzung kumulativer Inzidenzfunktionen (CIFs) erweitert und gleichzeitig interpretierbar bleibt.

Der DKAJ‑Estimator stellt jeden Datensatz – etwa einen Patienten – als gewichtete Kombination von Cluster‑Profilen dar. Wenn ein Datensatz ausschließlich einem Cluster zugeordnet wird, entsprechen die vorhergesagten CIFs exakt denen der traditionellen Aalen‑Johansen‑Schätzung für dieses Cluster. Die Gewichte werden dabei durch eine automatisch erlernte Kernel‑Funktion bestimmt, die die Ähnlichkeit zwischen beliebigen Datenpunkten misst. Auf diese Weise kann das Modell sowohl die Vorteile von Deep‑Learning als auch die Transparenz klassischer nichtparametrischer Verfahren kombinieren.

In vier etablierten Datensätzen für konkurrierende Risiken zeigte der DKAJ‑Estimator eine Leistung, die mit den führenden Baselines vergleichbar ist. Zusätzlich bietet das Modell anschauliche Visualisierungen, die Forschern und Klinikern helfen, die Entscheidungswege des Modells nachzuvollziehen und die Ergebnisse besser zu interpretieren.