生存预测不再只给风险分数：ODDS-DR把输出改成可加的对数几率，两次反向传播扫出整条时间风险轨迹
核心概要
临床生存模型通常输出分布参数，这些抽象量难以对应医生熟悉的危险因素。ODDS-DR把网络输出重新参数化为按对数几率相加的形式，使每个输出神经元都能直接归因到输入特征。在SUPPORT2与主动脉缩窄两个队列上，其区分度与DeepSurv、DeepHit、DSM等基线相当或更高，其中SUPPORT2上对数 logistic 变体的C-index为0.83。
深度剖析
生存预测模型的输出被改成在时间上连续、可按对数几率相加的量，使预测分布本身就能拆成特征贡献，而不必在模型之外另做解释。 此前的分布回归直接输出位置、尺度、形状等分布参数，这些量随分布族而变，与临床概念对不上；模型无关的解释器虽能事后归因，却依赖反复采样，计算昂贵且在非线性下不稳定。 在两个真实临床队列上，ODDS-DR的区分度与DeepSurv、Cox-Time、DeepHit、DSM、CoxNAM等基线相当或更高：SUPPORT2上对数 logistic 变体的C-index为0.83（0.82–0.83），CoA队列上高斯变体为0.66（0.52–0.82），而线性Cox在CoA上为0.68（0.54–0.81）。
做法是让网络输出以线性权重组合成任意预测时点上的累积对数几率，权重只依赖时点，因此整条时间轴上的归因可以由少数几个输出神经元的重叠组合得到。 对数几率把证据加性地映射到实数轴，并把不同分布族统一到同一可比尺度；对高斯、Logistic、Log-logistic三类分布，输出与对数几率之间都能写成闭式的线性关系。 归因借助逐层相关性传播完成，每个输出神经元只需一次反向传播，两个参数分布因此只需两次反向传播即可覆盖整个预测时点范围；在合成数据上，模型把风险拆成基本不随时间变化的基线与随时间波动的项，并给观测期内未出现事件的欠采样亚组分配了更高风险。
提取出的风险标记与临床指南所列因素吻合，且能分辨短期与长期作用。 临床队列中通常没有绝对的真值标记，因此以指南和既有观察研究作为替代参照。 以指南相关特征的平均绝对归因计算AUROC，ODDS-DR在两个队列上均取得最高分；SUPPORT2上TISS评分与不予复苏医嘱贯穿整个时间范围驱动风险，癌症诊断的贡献在24个月后明显上升，CoA队列中β受体阻滞剂与既往球囊血管成形术主要指向早期再干预。
启示与展望
演示范围限于两个临床队列：公开的SUPPORT2全因死亡数据，以及柏林夏里特心脏中心160名主动脉缩窄患者、218次随访的再干预数据，均按70/30划分训练与验证；合成数据实验用于展示风险随输入与时间的变化。作者明确把该框架定位为在既有诊疗模式下估计预后风险，而非评估反事实治疗方案。
方法目前依赖具有闭式对数几率表达的单峰分布族，作者指出竞争事件或非易感亚组等更复杂风险结构需要在对数几率域内设计混合机制。临床分析为观察性研究，CoA队列样本量小、删失比例高，指南只是专家共识而非穷尽真值；球囊血管成形术后风险集中于早期的模式仍需在其他队列确认。